Abschlussarbeit (m/w/d): Lernbasierte Steuerallokation Für Morphing-UAVs

German Aerospace Center (DLR); Cochstedt; On-site; EUR 19,000 - 23,000; Part time

Job summary

Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) – Institut für Flugsystemtechnik in Cochstedt sucht einen engagierten Master-Studenten (Informatik/Regelungstechnik/Robotik) mit praktischer Reinforcement-Learning-Erfahrung. Sie entwickeln sicherheitsorientierte, lernbasierte Stellgrößenallokationen für ein UAV-Projekt und nutzen fortgeschrittene Verfahren wie PPO/SAC.

Sie arbeiten eng im Team, führen Literaturrecherchen durch, vergleichen Unsicherheitsbehandlungen und implementieren RL-Modelle

Qualifications

• Praktische Erfahrung mit Reinforcement Learning ist zwingend erforderlich
• Gute Kenntnisse in Python und RL-Umgebungen nachweisen
• Fortgeschrittene RL-Methoden (PPO oder SAC) bevorzugt
• Erste Erfahrungen mit Flugregelung/Regelungstechnik hilfreich

Responsibilities

• Literaturrecherche zu lernbasierten Methoden für sichere Stellgrößenallokation
• Vergleich von Unsicherheitsbehandlungsmethoden hinsichtlich Garantien und Echtzeitfähigkeit
• Entwicklung eines lernbasierten Konzepts zur Stellgrößenallokation für ein UAV
• Integration von Sicherheitsmechanismen und Lösbarkeitszertifikaten
• Training und Benchmarking der Ansätze unter variierenden Betriebsbedingungen

Skills

Reinforcement Learning

Python

Regelungstechnik

Flight Control Design

Selbstständige Arbeitsweise

RL-Methoden

Education

Masterstudium Informatik

Masterstudium Regelungstechnik

Masterstudium Robotik

Masterstudium Luft- und Raumfahrttechnik

Tools

Gymnasium

PPO

SAC

Job description

Herzlich willkommen am Institut für Flugsystemtechnik. Im Zentrum unserer Arbeit steht das Zusammenspiel von Flugzeugkonfiguration, Pilotinnen und Piloten und moderner Flugsystem-Technologie. Von der Flugdynamik bis zu unbemannten Luftfahrzeugen, von der Simulation bis zum realen Flugversuch – wir analysieren, testen und entwickeln Innovationen, die das Fliegen der Zukunft prägen.

Das erwartet dich

In dieser Arbeit wird ein sicherer, lernbasierter Ansatz zur Stellgrößenallokation für ein UAV mit Hinterkanten-Morphing-Flügel unter Modellunsicherheit entwickelt. Die Allokation muss die primären Regelungsziele erfüllen und gleichzeitig die Aktuatorredundanz für sekundäre Ziele nutzen. Ein zentraler Bestandteil ist der Umgang mit Modellunsicherheit, z. B. durch adaptive Verfahren, Störgrößenbeobachter, mengenbasierte Methoden oder statistisches Lernen. Ein weiterer Schwerpunkt liegt auf der Lösbarkeit des Allokationsproblems, einschließlich Rückfallstrategien, Schlupfvariablen, adaptiver Gewichtung, Parameteroptimierung und expliziter Lösbarkeitszertifikate. Die Arbeit wird gemeinsam vom DLR und Prof. Mayank Shekhar Jha (CRAN, CNRS, Université de Lorraine, Frankreich) betreut.

Deine Aufgaben

• Literaturrecherche zu lernbasierten Methoden für eine sichere und lösbare Stellgrößenallokation unter Modellunsicherheit
• Vergleich von Ansätzen zum Umgang mit Unsicherheit (adaptiv, beobachterbasiert, mengenbasiert, statistisches Lernen) hinsichtlich Garantien, Annahmen und Echtzeitfähigkeit
• Entwicklung eines lernbasierten Konzepts zur Stellgrößenallokation für ein UAV mit Hinterkanten-Morphing-Flügel unter Modellunsicherheit
• Integration von Sicherheitsmechanismen (z. B. CBF-basierte Sicherheitsfilter) und Strategien zur Sicherstellung der Lösbarkeit (Rückfallstrategien, Schlupfvariablen, Lösbarkeitszertifikate)
• Training und Benchmarking der entwickelten Ansätze unter variierenden Betriebsbedingungen und Modellunsicherheiten

Das bringst du mit

• Immatrikulation in einem Masterstudiengang der Informatik, Regelungstechnik, Robotik, Luft- und Raumfahrttechnik oder einer verwandten Fachrichtung
• Praktische Erfahrung mit Reinforcement Learning ist zwingend erforderlich, idealerweise mit Policy-Gradient-Verfahren wie PPO oder SAC
• Praktische Erfahrung mit Gymnasium oder vergleichbaren RL-Umgebungen ist zwingend erforderlich
• Gute Kenntnisse der Regelungstechnik, insbesondere im Flugreglerentwurf, sind von Vorteil
• Sehr gute Programmierkenntnisse in Python
• Selbstständige, strukturierte Arbeitsweise und großes Interesse an der Verbindung von RL, Regelungstechnik und sicherheitskritischen autonomen Systemen
• Bereitschaft zur Durchführung einer Zuverlässigkeitsüberprüfung nach
• 7 Luftsicherheitsgesetz

Voraussetzung für die Arbeit in Cochstedt beim DLR ist die Sicherheitsüberprüfbarkeit nach dem Sicherheitsüberprüfungsgesetz (SÜG) sowie die Bereitschaft für eine Sicherheitsüberprüfung nach

• 8 ff. SÜG.

Wir freuen uns darauf, dich kennenzulernen!