Masterthesis (w/m/d) Entwicklung ML-Algorithmen f. Regelung & Steuerung

Das erwartet dich

Machine Learning (ML) gewinnt zunehmend an Bedeutung für die Erhöhung der Autonomie und Leistungsfähigkeit von Raumfahrzeugen und Trägersystemen. Im Bereich Guidance & Control (G&C) bieten ML-basierte Methoden wie Deep Reinforcement Learning großes Potenzial, weisen jedoch häufig mangelnde Interpretierbarkeit und fehlende Stabilitätsnachweise auf – beides zentrale Anforderungen in sicherheitskritischen Anwendungen. Dieses Projekt untersucht daher, wie Erklärbarkeit, Interpretierbarkeit und Stabilität gezielt in ML-basierte Reglerentwürfe integriert werden können. Genetic Programming (GP) ist ein vielversprechender Ansatz, da damit menschenlesbare Modelle erzeugt und Stabilitätskriterien direkt im Optimierungsprozess berücksichtigt werden können. Deine Aufgabe ist es, solche Methoden weiterzuentwickeln, um stabile und interpretierbare Regelgesetze zu erzeugen. Die Ergebnisse sollen den zuverlässigen Einsatz von ML-basierten G&C-Systemen in zukünftigen Missionen ermöglichen.

Deine Aufgaben

• Einarbeitung in GP-Theorie, Interpretierbarkeit/ Erklärbarkeit und Stabilitätsanalyse
• Entwicklung eines GP-basierten Algorithmus zur Erzeugung stabiler und interpretierbarer Regelgesetze
• Validierung des Algorithmus an einem einfachen Testfall (z. B. invertiertes Pendel auf einem Wagen)
• Anwendung auf ein ausgewähltes luft- oder raumfahrtspezifisches G&C-Szenario

Das bringst du mit

• Studium der Luft- und Raumfahrttechnik, des Maschinenbaus oder der Informatik (Bachelorabschluss)
• gute Kenntnisse der Programmiersprache Python
• Grundkenntnisse der Regelungstechnik
• Interesse an Machine-Learning-Methoden für dynamische Systeme
• selbstständige und analytische Arbeitsweise