Forschungsfel­der

An der Professur für Robotik treiben wir die Forschung an intelligenten, vernetzten und physisch physisch verankerten (physically embodied) Systemen in fünf zentralen Themenfeldern voran:

Skill-Transfer & -Akquisition

Skill-Transfer © ©2023 ACM. Originally published in https://doi.org/10.1145/3594739.3610714

Skill-Transfer

Entwicklung intuitiver Schnittstellen und Lernmethoden, die es Robotern ermöglichen, komplexe Manipulationsfertigkeiten direkt aus menschlichen Demonstrationen zu erlernen, anzupassen und zu verfeinern.

 

Kollaborative (aktive) Perzeption

collaborative perception © ©2026 IEEE. Reprinted, with permission, from https://doi.org/10.1109/ICC59461.2026.11587234

collaborative perception

Nutzung von Multi-Roboter-Kommunikation und zielgerichteter Sensorplanung zum Aufbau eines gemeinsamen Echtzeit-Lagebildes für mobile autonome Flotten. 

 

Reinforcement Learning für optimale Regelung

reinforcement learning © ©2026 IEEE. Reprinted, with permission, from https://doi.org/10.1109/FINE71157.2026.00046

reinforcement learning

Synthese aus datengetriebenen RL-Verfahren und modellbasierter Regelungstheorie für eine stabile, hochperformante Ausführung unter strengen Sicherheits- und Zeitnebenbedingungen.

 

Softwarisierte Infrastruktur für Physical AI 

teleoperation © ©2026 IEEE. Reprinted, with permission, from https://doi.org/10.1109/FINE71157.2026.00024

teleoperation

Entwicklung latenzarmer, softwarisierter Netzwerktechnologien (z. B. eBPF, P4, OpenWrt), um rechenintensive KI-Workloads nahtlos an der physischen Edge auszuführen.

 

Simultaneous Localization & Mapping (SLAM)

Simultaneous Localization and Mapping © © 2024 IEEE. Reprinted, with permission, from https://doi.org/10.1109/GLOBECOM52923.2024.10901666

SLAM

Weiterentwicklung robuster, multimodaler Merkmalsfusion und verteilter räumlicher Kartierung für die präzise Echtzeit-Navigation in dynamischen oder unkartierten Umgebungen.

Zu dieser Seite

Petra Möge
Letzte Änderung: 12.10.2026