Das erwartet dich

Wir suchen dich im Team für die Entwicklung von modell- und lernbasierten Simulations- und Regelungsverfahren für robotische Elektrofahrzeuge mit X-by-wire Architekturen, bei denen es keinen direkten mechanischen Durchgriff vom Fahrer auf Systeme wie z. B. die Lenkung gibt. Die hohe Komplexität, die mit dieser Technologie verbunden ist sowie Anforderungen an die Ausfallsicherheit sind die Motivation für die Entwicklung sogenannter Surrogat-Modelle, die u.a. im virtuellen Training mittels Reinforcement Learning verwendet werden sollen. In deiner neuen Stelle bei uns setzt du deine Ideen gemeinsam in einem dynamischen, multidisziplinären Team um. Du kannst direkt die neuesten Methoden der Systemdynamik und Regelungstechnik virtuell und am Versuchsträger entwickeln, experimentell erproben und somit einen entscheidenden Beitrag zu unserer Mission leisten.

Deine Aufgaben

• Analyse, Entwicklung und kritische Bewertung wissenschaftlicher Methoden zur nichtlinearen modellprädikativen und online optimierungsbasierten Reglersynthese
• Entwicklung von Algorithmen des maschinellen Lernens, wie dem Reinforcement Learning und physikalisch erweiterter neuronaler Netze, für die Regelung und Simulation mechatronischer Systeme
• Wissenschaftliche Analyse von Verfahren zur Bewertung der Robustheit und Vertrauenswürdigkeit von modell- und lernbasierten Regelungsverfahren
• Experimentelle Erprobung der Verfahren an seriennahen und experimentellen DLR-Versuchsfahrzeugen mit by-wire-Steuerung und wissenschaftliche Auswertung der Versuche anhand objektiver, numerischer Kriterien und Evaluierung derer gegenüber dem Stand der Technik
• Verfassen von wissenschaftlichen Veröffentlichungen für internationale Journale und Konferenzen sowie auf dem Abteilungs-Blog

Das bringst du mit

• Abgeschlossenes wissenschaftliches Hochschulstudium (Master/Diplom Uni) der Ingenieurwissenschaften aus den Fachrichtungen Elektrotechnik, Informatik, Robotik, Maschinenwesen mit Schwerpunkt Regelungs-/Informations-/Steuerungstechnik oder andere für die Tätigkeit relevante Studiengänge
• Erweiterte regelungstechnische und optimierungstechnische Kompetenzen, die über die Inhalte der Grundlagenvorlesungen hinausgehen
• Kenntnisse in mindestens einer Programmiersprache: Modelica, Matlab, C oder Python
• Kenntnisse in den Methoden des maschinellen Lernens (supervised & unsupervised learning)
• Kenntnisse im Bereich der Fahrzeugtechnik und Elektromobilität

Je nach Qualifikation und Aufgabenübertragung bis Entgeltgruppe E13 TVöD.