Aniket Kulkarni

Masterarbeit (Bosch Research / CONVOLVE Project)Entwicklung eines End-to-End-Deployment-Frameworks für Spiking Neural Networks (SNNs) auf dem neuromorphen THOR-Prozessor.• Konzeption der Pipeline: QAT, Modellkonvertierung, Hardware-Mapping und Simulation.• Entwicklung von 5 Mapping-Strategien (+25 % Effizienz) & eines zyklusgenauen Simulators.• Automatisierung von Benchmarks (GSOPS, Energie) für das EU-Konsortium.Tech: Python, PyTorch, snnTorch, Edge AI, Git.

Entwicklung produktionsreifer Backend-Systeme und REST-APIs für US-amerikanische Fortune-500-Unternehmen (z. B. Blue Yonder) in agilen, internationalen Teams.• Konzeption einer API-basierten Onboarding-Plattform: Reduktion der Bearbeitungszeit um ~40 % bei 100 % DB-Synchronisation.• Design skalierbarer Integrationen (asynchrone Prozesse, Security, Logging, CI/CD).• Erstellung von Installationspaketen (InstallShield, VDI).Tech: Python, Spring Boot, REST APIs, SQL, MuleSoft, Git.

Entwicklung eines Wearable-IoT-Produkts zur Echtzeit-Erkennung von Gesichtsberührungen sowie Mitarbeit an BCI-Forschungsprojekten.• Prototyping: Eigenständiges Hardware-Design und Systemintegration (ATmega328P, IR-/Ultraschallsensoren, BLE).• Firmware: Entwicklung in Embedded C/C++ mit Signalverarbeitung, Event-Steuerung und Low-Power-Optimierung.• Validierung: Sensorkalibrierung und Systemtests zur Fehlalarm-Reduktion.Tech: Embedded C/C++, Arduino, IoT, BLE, Sensortechnik

Entwicklung intelligenter Embedded-Systeme für Automotive- und IoT-Anwendungen mit Fokus auf Navigation und Low-Power-Design.• Firmware & Prototypen: Entwicklung in Python und MicroPython auf Raspberry Pi Pico sowie STM32 Nucleo mit GNSS-Modulen.• Power Management: Hardwareauswahl und Stromverbrauchsoptimierung für ein Standalone-Batteriesystem.• Datenanalyse: Verarbeitung von GNSS- und Sensordaten für das Hardware-Software-Co-Design.Tech: MicroPython, STM32, GNSS, IoT, Power Management.

Entwicklung eines intelligenten GPS-gestützten Inertialnavigationssystems (INS) mittels Sensorfusion und Kalman-Filtern.• Systemleitung: Steuerung des Teams sowie Hard-/Softwareintegration; Steigerung der Navigationsgenauigkeit um 20 %.• Embedded Software: Hardwarenahe Entwicklung (C/C++) auf STM8/STM32 (HAL-Ebene) und Raspberry Pi Zero.• Forschung: Echtzeit-Signalverarbeitung und IEEE-Veröffentlichung der Ergebnisse.Tech: Embedded C++, STM32, Sensorfusion, Kalman-Filter.

Activities and societies: Masterarbeit bei Bosch Research zu Brain-Inspired Networks auf neuromorpher Hardware mit Fokus auf Spiking Neural Networks (SNNs), Neuromorphic Computing, Hardware-Aware AI, Compiler-Entwicklung und KI-Beschleunigern. Entwicklung des Projekts „Dog Activity Detection and Recognition“ auf Basis von Wearables und Machine Learning inklusive wissenschaftlicher Veröffentlichung und Präsentation auf der ICDD 2024.

Durchführung zahlreicher F&E-Projekte wie Duckietown Autonomous Driving, GPS-Inertialnavigation (Sensorfusion), Decoding of Live Satellite Signals, Autonomous Metro sowie Embedded-, IoT- und KI-Anwendungen. Veröffentlichung mehrerer wissenschaftlicher Arbeiten in den Bereichen KI, Sensorfusion, Computer Vision, Navigation und Intelligent Transportation Systems. Zudem tätig als Training, Placement und Internship Coordinator. Abschluss mit CGPA 9,34/10 (deutsche Note 1,3).