Thesis: Bridging the Sim2Real Gap for Sensor Data in an Industrial Context via Generative Models*

Waldkirch (bei Freiburg), DE, 79183

Wintersemester 2025/26 – befristet auf 5–6 Monate

Maschinelles Lernen (ML) erfordert immer größere Mengen an Daten. In industriellen Kontexten sind qualitativ hochwertige, gelabelte Daten jedoch eine knappe und kostspielige Ressource. Synthetische Daten ermöglichen das Training von ML-Modellen, die Evaluierung von Algorithmen oder das Design von Sensoren, ohne dass eine aufwendige Datenerhebung erforderlich ist. Allerdings ist die Generierung realistischer Daten eine Herausforderung, da nicht alle Eigenschaften von Sensoren oder ihrer Umgebung vollständig erfasst werden (Simulation-Reality-Gap). Generative Modelle haben sich in letzter Zeit als vielversprechender Ansatz herausgestellt und könnten dabei helfen, synthetische Daten zu erzeugen, die realen Szenarien sehr nahekommen. Ziel dieser Arbeit ist es, das Potenzial generativer Modelle zu evaluieren, um die Lücke zwischen realistischen und synthetischen Sensordaten in einem industriellen Kontext zu schließen.

IHRE AUFGABEN:

• Durchführung einer Literaturrecherche zur Generierung realistischer Sensordaten mithilfe generativer Modelle
• Einarbeitung in die Sensorsimulation in Nvidia Omniverse
• Untersuchung der Anwendbarkeit von 1–2 generativen Ansätzen auf ein spezifisches industrielles Use Case
• Evaluierung der Performance der betrachteten Ansätze anhand einer Downstream-Aufgabe

IHR PROFIL:

• Sie sind mit generativen Modellen wie Diffusionsmodellen oder GANs vertraut
• Sie verfügen idealerweise über Erfahrung in maschinellen Lernverfahren wie Computer Vision, Audioverarbeitung oder NLP und haben Expertise in Training, Evaluierung und Verständnis solcher Systeme
• Sie haben möglicherweise bereits eigene Spiele entwickelt oder sich mit dem industriellen Metaverse beschäftigt
• Sie sind begeistert davon, die Anwendbarkeit von Generative AI auf einen konkreten industriellen Use Case zu erforschen

IHRE BEWERBUNG:

• Wir freuen uns auf Ihre Online-Bewerbung
• Sarah Disch
• Job-ID 36754
• Vertrauliche Behandlung wird zugesichert

*Der Mensch zählt, nicht das Geschlecht.

Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.

Stichworte: Intern, Praktikum, Praktikant

Wintersemester 2025/26 – befristet auf 5–6 Monate

Maschinelles Lernen (ML) erfordert immer größere Mengen an Daten. In industriellen Kontexten sind qualitativ hochwertige, gelabelte Daten jedoch eine knappe und kostspielige Ressource. Synthetische Daten ermöglichen das Training von ML-Modellen, die Evaluierung von Algorithmen oder das Design von Sensoren, ohne dass eine aufwendige Datenerhebung erforderlich ist. Allerdings ist die Generierung realistischer Daten eine Herausforderung, da nicht alle Eigenschaften von Sensoren oder ihrer Umgebung vollständig erfasst werden (Simulation-Reality-Gap). Generative Modelle haben sich in letzter Zeit als vielversprechender Ansatz herausgestellt und könnten dabei helfen, synthetische Daten zu erzeugen, die realen Szenarien sehr nahekommen. Ziel dieser Arbeit ist es, das Potenzial generativer Modelle zu evaluieren, um die Lücke zwischen realistischen und synthetischen Sensordaten in einem industriellen Kontext zu schließen.

IHRE AUFGABEN:

• Durchführung einer Literaturrecherche zur Generierung realistischer Sensordaten mithilfe generativer Modelle
• Einarbeitung in die Sensorsimulation in Nvidia Omniverse
• Untersuchung der Anwendbarkeit von 1–2 generativen Ansätzen auf ein spezifisches industrielles Use Case
• Evaluierung der Performance der betrachteten Ansätze anhand einer Downstream-Aufgabe

IHR PROFIL:

• Sie sind mit generativen Modellen wie Diffusionsmodellen oder GANs vertraut
• Sie verfügen idealerweise über Erfahrung in maschinellen Lernverfahren wie Computer Vision, Audioverarbeitung oder NLP und haben Expertise in Training, Evaluierung und Verständnis solcher Systeme
• Sie haben möglicherweise bereits eigene Spiele entwickelt oder sich mit dem industriellen Metaverse beschäftigt
• Sie sind begeistert davon, die Anwendbarkeit von Generative AI auf einen konkreten industriellen Use Case zu erforschen

IHRE BEWERBUNG:

• Wir freuen uns auf Ihre Online-Bewerbung
• Sarah Disch
• Job-ID 36754
• Vertrauliche Behandlung wird zugesichert

*Der Mensch zählt, nicht das Geschlecht.

Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.

Stichworte: Intern, Praktikum, Praktikant