Advanced AI für humanoide Robotik: Du entwickelst, trainierst und bringst moderne lernbasierte Policies in den Einsatz, die humanoiden Robotern geschickte Manipulation und koordinierte Ganzkörperbewegungen in der realen Welt ermöglichen
Foundation Models: Du optimierst und feintunest VLA-Policies mithilfe von Deep Reinforcement Learning für hochpräzise, simulationsgetriebene Manipulation
End-to-End-RL-Pipelines: Du entwickelst vollständige Reinforcement-Learning-Systeme – von Datengenerierung und Umgebungsdesign bis hin zu skalierbarem Training, Evaluation und Deployment auf realen Robotern
State-of-the-Art Lernmethoden: Du treibst Reinforcement Learning, Imitation Learning und Sim-to-Real Transfer voran, um robuste und skalierbare humanoide Fähigkeiten zu ermöglichen
Benchmark-getriebene Qualität: Du entwickelst und evaluierst Policies anhand moderner Benchmarks wie CALVIN, RoboCasa und vergleichbarer großskaliger Testumgebungen
Enge Hardware-Zusammenarbeit: Du arbeitest eng mit Hardware- und Regelungsteams zusammen, um deine Modelle nahtlos in reale Robotersysteme zu integrieren
Von Simulation zu realen Robotern: Du validierst und verbesserst Algorithmen durch Realwelt-Experimente, Closed-Loop-Tests und vollständige Sim-to-Real-Deployments
Exzellenter Master- oder PhD-Abschluss in Informatik, Robotik, Physik oder einem verwandten Fachgebiet
Nachweisbare Erfolge durch Projekte, Patente, Open-Source- oder Forschungsbeiträge mit messbarem Impact
Der Anspruch, über den Stand der Technik hinauszugehen und wirklich neue Lösungen zu schaffen
Fundierte Kenntnisse in Deep Reinforcement Learning, Imitation Learning und modernen ML-Architekturen
Erfahrung in der Entwicklung und Feinabstimmung von multimodalen / VLA-Modellen, einschließlich RL für verkörperte Systeme
Nachgewiesene Fähigkeit, skalierbare Trainings- und Deployment-Pipelines für reale Robotiksysteme zu entwickeln
Sehr gute Programmierkenntnisse in Python und C++, idealerweise mit PyTorch oder JAX, mit Fokus auf Performance und schnelle Iteration
Praktische Erfahrung mit fortgeschrittenen Physiksimulatoren (z. B. Isaac, MuJoCo, Newton)
Erfahrung im Sim-to-Real Transfer, inklusive Systemidentifikation und robuster Domänenanpassung
Hands-on-Erfahrung mit Robotik-Hardware, Multisensorsystemen und Manipulationsaufgaben
Fähigkeit, schnell umzusetzen, Verantwortung zu übernehmen und in einem dynamischen Umfeld zu arbeiten
Starke Kommunikationsfähigkeit über Research-, Engineering-, Hardware- und Produktteams hinweg
Kenntnisse in Foundation Models (z. B. Flow/Diffusion), differenzierbaren Simulatoren
Top-Tier-Publikationen oder relevante Open-Source-Beiträge
