Im Fokus stehen:

• Erkennung, Klassifikation und Verfolgung beliebiger Objekte, z. B. Kleidungsstücke, Metallpartikel oder Gesteinsmaterialien.
• Gezieltes Ausbringen dieser Objekte durch autonome Systeme wie:
  • humanoide Roboter,
  • kollaborative Roboterarme (CoBots) und
  • Delta-Roboter.

Ein weiterer Forschungsschwerpunkt liegt in der Entwicklung maschineller Lernmethoden für:

• Sensorfusion aus taktilen und visuellen Daten zur robusten Objekterkennung und Interaktion in dynamischen, unstrukturierten Umgebungen,
• Autonomes Greifen mit robotischen Greifhänden auf Basis datengetriebener Steuerungsstrategien,
• Self-Supervised Skill Learning, das es Robotern ermöglicht, zielgerichtete Manipulationsfähigkeiten durch exploratives Lernen ohne externe Annotation zu entwickeln,
• Unsupervised Representation Learning, um kompakte und generalisierbare Zustandsrepräsentationen für sensorische Eingaben zu erlernen,
• Reinforcement Learning zur kontinuierlichen Verbesserung von Bewegungsstrategien und Interaktionsfähigkeiten, sowohl in Simulationen als auch auf realen Systemen,
• sowie der Einsatz und die Adaption von Foundation Models, insbesondere Vision-Language-Modelle (VLMs) und Visual-Language-Action-Modelle (VLAs), zur semantischen Szenenanalyse, Entscheidungsunterstützung und Planung in robotischen Anwendungen.

Diese Ansätze werden durch hybride Lernstrategien kombiniert und im Rahmen realer Anwendungsdomänen - etwa in der Sortierung von Industrieabfällen, der der Handhabung und Bearbeitung von Metallbearbeitungswerkzeugen oder in Überwachungs- und Sortierszenarien mit humanoiden Robotern - evaluiert.