fresnel kenfack tegoufo

• Steuergeräte (u. a. Beleuchtung, Tankmodule) in bestehende Systeme integriert und Fehlerursachen analysiert, um Funktionen bis zum Serienanlauf abzusichern • Diagnose- und Flashabläufe mit CANoe, E-SYS, Carmen, ZEDIS, SWIP und SWL-Cockpit aufgebaut und gepflegt, damit Tests reproduzierbar und Logdaten für Entwicklung • Als technische Schnittstelle zwischen Systementwicklung, Test, Qualitätssicherung, OEM und Lieferanten agiert und Anforderungen, Abweichungen sowie Freigaben koordiniert

• Embedded-Softwaremodule in laufenden Steuergeräteprojekten analysiert und angepasst, um das Verhalten unter Randbedingungen und Fehlbedienung robuster zu machen • Automatisierte Testscripte erstellt und in die bestehende Testumgebung integriert, damit wiederkehrende Softwaretests konsistent und nachvollziehbar ablaufen • Entwicklungsstände im internationalen, agilen Team mit Test- und Qualitätsanforderungen abgeglichen und technische Rückmeldungen strukturiert in Jira dokumentiert

• Verfahren zur Objekterkennung mit LiDAR-Sensoren recherchiert und als Python-Prototypen umgesetzt, um Sensordaten für logistische Anwendungen auswertbar zu machen • Messreihen aufbereitet, Ergebnisse analysiert und in technische Dokumentationen überführt, sodass sie für Folgeprojekte und weitere Forschung nutzbar blieben • Anforderungen von Wissenschaftlern und Industriepartnern aufgenommen und in umsetzbare Softwareaufgaben für das Projektteam übersetzt

• Bilddaten vorbereitet und gelabelt, damit Machine-Learning- Modelle realistische Produktionsszenarien für die Objekterkennung abbilden konnten • YOLOv3-Modelle mit Transfer Learning in einer Testumgebung eingerichtet und erste Erkennungs- und Klassifikationsergebnisse für den Robotereinsatz ausgewertet • Mit Entwicklungsingenieuren an der Kopplung von Bildverarbeitung und KUKA-Robotern in einer Fertigungszelle mitgearbeitet und Anforderungen an Echtzeitsysteme praktisch kennengelernt

Schwerpunkt: Robotik, Sensorik und Messtechnik, Controlling, KI Thema: Entwicklung und Implementierung eines intelligenten Kamerasystems zur Objektdetektion mittels Deep Learning und Signalisierung von Anomalien durch RGB-LEDs und akustische Hinweise.

Microcontroller- Projekt: -Programmierung von Sensoren ( Neigungssensor, Ultraschallsensormodul usw...) - Versuch Durchführung mit passive und aktive Buzzer -RGB Color LED mit PWM Steuerung

Studienfach : /Neuronale Netze/ Deep Learning & Computer Vision: Implementierung von neuronalen Netzen, Lineare Regression, Logistische Regression mit Matrizen, MNIST, Backpropagation, neuronales Netz trainieren, Lernkurve plotten, Underfitting oder Overfitting, Netz optimieren

Studienprojekt Thema: Entwicklung eines neuronalen Netzes von Gegenständen mittels Objekt Detektion und Transfer Learning unter Verwendung TensorFlow und Keras • Vorbereitung des Datasets (Labelmg) • Transfer-Learning und Training mit Hilfe von RetinaNet • Evaluieren, Vorhersagen und Testen Tools: Tensorflow, Keras, Python, Retinanet

Studienprojekt „Briefwaage“ • Elektronik der Waage • Erstellung von CAD-Modellen • Programmcode und Eichung der Waage • Test und Messfehlerbetrachtung Tools: Arduino, Siemens NX 12, Fritzing

Studienprojekt „Simulation eines E-Fahrzeug“ • Simulation der Kritischen Beschleunigung, Geschwindigkeit und Reichweite von Audi e-Tron 55 • Optimierung von Motorkennlinie und Ergebnisvergleich mit den Werten des Herstellers Tools: Matlab/ Matlab-Simulink

Thema: Entwicklung eines Intelligenten Systems zur Fahrzeugerkennung und Trajektorien Verfolgung in Straßenverkehrsszenen unter Verwendung von Deep Learning