Studium der Elektro- und Informationstechnik am Karlsruher Institut für Technologie (KIT). Bachelorarbeit am Institut für Regelungs- und Steuerungssysteme (IRS) zur Prädiktion von Lastgängen in elektrischen Verteilnetzen mit einem hohen Einspeisungsanteil erneuerbarer Energien (2016). Anschließend Masterstudium am KIT mit Schwerpunkten im Bereich Regelungs- und Steuerungstechnik sowie Systemtheorie. Praktische Tätigkeit bei der BMW Group am Autonomous Driving Campus in Unterschleißheim zur simulativen Absicherung hochautomatisierter Fahrerfunktionen. Masterarbeit zum Thema „Strukturierte Anregung Reinforcement-Learning-basierter kooperativer Regler“ am IRS (2019).

Seit Juli 2019 wissenschaftlicher Mitarbeiter am Institut für Regelungs- und Steuerungssysteme.

Modellierung und Identifikation in kooperativen Mensch-Maschine-Szenarien

Die zunehmende Automatisierung vieler Tätigkeiten in nahezu allen Industriezweigen sowie im täglichen Leben führt zu einer nachhaltigen Veränderung der Alltags- und Arbeitswelt. Da sich dieser Automatisierungstrend jedoch meist auf einzelne Tätigkeiten bezieht und nicht etwa auf ganze Berufe, kommt es vermehrt zu einer Interaktion des Menschen mit hochautomatisierten technischen Systemen. Beispiele lassen sich im Bereich der Medizintechnik, der Produktionstechnik („käfiglose“ Fabrik) oder der Automobiltechnik finden.

In derartigen Situationen beeinflussen Mensch und Automation gemeinsam und gleichberechtigt ein technisches System. Um die Automation in einem derartigen kooperativen Mensch-Maschine-Szenario geeignet designen zu können, wird zunächst eine passende Beschreibung bzw. Modellierung des menschlichen Verhaltens benötigt. Ausgehend von einem derartigen Modell wird schließlich ein Identifikationsverfahren benötigt, welches die zentralen Parameter zur Beschreibung des menschlichen Verhaltens ermittelt. Eine auf Basis dieses identifizierten Modells entworfene Automation kann die Synergien der Kooperation letztlich optimal ausschöpfen.

Im Rahmen der Forschung wird als ein vielversprechender Modellierungsansatz die Beschreibung des Menschen als Optimalregler untersucht. Dabei resultiert insbesondere aus der Variabilität der menschlichen Bewegungen eine zusätzliche Herausforderung. Diese Variabilität soll im Kontext der Forschung in den Identifikationsalgorithmen berücksichtigt und analysiert werden. Einen erfolgversprechenden Ausgangspunkt hierfür bilden Verfahren des Inverse Reinforcement Learning.