[{"content":"Diese Arbeit integriert visuo-taktile Sensorik mit haptischem Feedback für die teleoperierte Robotermanipulation. Beide Arme eines humanoiden TIAGo-Roboters werden über ein HTC-Vive-VR-Setup in Kombination mit haptischen Feedback-Handschuhen von MANUS gesteuert; visuo-taktile GelSight-Sensoren am Greifer messen den Kontakt, und der gemessene Kontaktzustand wird in Echtzeit als Vibrationssignale an die Fingerspitzen des Operators zurückgespielt.\nDie Kontaktkräfte werden mit zwei komplementären Methoden aus den Sensorbildern geschätzt: über die Bewegung von in die Sensoroberfläche eingebetteten Markern sowie mit einem Deep-Learning-Schätzer. Auf der Feedback-Seite streamt ein ROS-Node die Kraftwerte pro Finger an einen modifizierten MANUS-SDK-Client, der die Vibrationsaktuatoren der Handschuhe ansteuert. Die Arbeit stellt zudem einen neuen Versuchsaufbau zur Evaluation von Normalkraft, Scherkraft und Schlupf vor (arXiv:2404.19585).\nIch habe diese Arbeit als Erstautor auf der IEEE-Konferenz ICRA@40 in Rotterdam (2024) präsentiert.\nTechnologien: Computer Vision, haptische Motorsteuerung, Virtual Reality, Teleoperation, ROS, Python\n","permalink":"https://noahbecker.tech/de/projects/icra40-haptic-teleoperation/","summary":"Teleoperierter humanoider TIAGo-Roboter mit Vive VR, haptischen Feedback-Handschuhen und visuo-taktilen Sensoren, als Erstautor auf der ICRA@40 in Rotterdam präsentiert.","title":"ICRA@40 — Visuo-taktile Sensorik mit haptischem Feedback für teleoperierte Manipulation"},{"content":"Meine aktuelle Forschung in der Intelligent Autonomous Systems Group (TU Darmstadt) untersucht, wie Roboter spüren können, dass ihnen Objekte aus dem Griff rutschen. Ich habe einen eigenen Prüfstand gebaut, der mit einem Linearaktuator kontrollierten Schlupf erzeugt und dabei vier Sensormodalitäten gleichzeitig aufzeichnet: eine visuo-taktile GelSight-Mini-Kamera, einen sechsachsigen Kraft-/Momentensensor (ReSense HEX21), einen ADXL355-Beschleunigungssensor und webcam-basiertes ArUco-Marker-Tracking.\nSoftwareseitig läuft das System unter ROS2 Jazzy, verteilt auf einen Raspberry Pi 5 (Hardwaresteuerung) und einen Laptop (Verarbeitung der bandbreitenintensiven Sensordaten). Ein verzweigtes neuronales Netz fusioniert CNN-kodierte taktile Bilder mit Kraft-/Momenten- und IMU-Zeitreihen über ein LSTM, um die Schlupfgeschwindigkeit zu regressieren; das bildet die Grundlage für eine schlupfbewusste Greifkraftregelung in der Teleoperation.\nTechnologien: Python, ROS2, PyTorch, GelSight, Kraft-/Momentensensorik, CAD, Docker\n","permalink":"https://noahbecker.tech/de/projects/visuo-tactile-slip-detection/","summary":"Masterforschung an der TU Darmstadt: ein Multi-Sensor-Prüfstand und neuronale Netze zur Erkennung und Regression von Schlupf in Robotergreifern.","title":"Visuo-taktile Schlupferkennung für teleoperierte Manipulation"},{"content":"Eine frühere Version der Arbeit zu haptischer Teleoperation, angenommen für den ViTac-Workshop (Robot Embodiment through Visuo-Tactile Perception) der ICRA 2024 in Yokohama, Japan (arXiv:2404.19585). Das Feedback in der Telerobotik ist meist rein visuell, was die Geschicklichkeit des Operators einschränkt; diese Arbeit ergänzt den fehlenden Tastsinn. Visuo-taktile GelSight-Sensoren am Greifer des Roboters messen den Kontakt, und kostengünstige MANUS-Handschuhe geben die geschätzten Kontaktkräfte als Vibrationssignale an die Fingerspitzen des Operators weiter, eingebettet in eine VR-Teleoperationspipeline.\nZiel des Projekts ist eine teleoperierte Lösung zur Verbesserung der Lebensqualität immobiler Menschen: Ein Roboter-Avatar mit taktilem Feedback ermöglicht die eigenständige Erledigung von Aufgaben aus der Ferne, zum Beispiel Einkaufen.\nTechnologien: Computer Vision, Haptik, Virtual Reality, Teleoperation, ROS, Python\n","permalink":"https://noahbecker.tech/de/projects/vitac-teleoperation/","summary":"Frühere Version des haptischen Teleoperationssystems, angenommen für den ViTac-Workshop der ICRA 2024 in Yokohama.","title":"ICRA ViTac Workshop — Visuo-taktile Sensorik mit haptischem Feedback"},{"content":"Meine Bachelorarbeit an der FAU Erlangen-Nürnberg („Optimizing Robotic Bin-Picking of Radioactive Debris using Supervised and Imitation Learning\u0026quot;) entwickelte ein neuronales Teileauswahlsystem zur Verbesserung des robotischen Bin-Picking für die halbautonome Handhabung radioaktiver Abfälle.\nDie Trainingsdaten entstanden durch VR-Teleoperation und Simulation in Unity: Menschliche Operatoren demonstrierten Greifbewegungen in einem VR-Aufbau (VIRERO), und die Demonstrationen dienten als Grundlage für Supervised und Imitation Learning (Behavioral Cloning, GAIL) sowie für RL-Policies (PPO/SAC) auf Basis von Unity ML-Agents. Das finale System erreichte eine Greifgenauigkeit von 73 % (eine Verbesserung um 5 Prozentpunkte gegenüber dem alten System) bei nur 1,2 ms zusätzlicher Latenz.\nDie zugrunde liegende Unity-Simulation bildet die Roboterzelle mit URDF-Robotermodellen und ROS-Anbindung (ROS#) ab; die trainierten Policies wurden als ONNX-Modelle exportiert, mit Trainer-Konfigurationen für Aufgabenvarianten vom vollständigen Bin-Picking mit Roboter bis hin zu isolierten Teilaufgaben wie dem Anfahren der Greifpose.\nTechnologien: PyTorch, Vive VR, ROS, YOLO, Unity (C#), ML-Agents\n","permalink":"https://noahbecker.tech/de/projects/bachelor-thesis-bin-picking/","summary":"Neuronale Teileauswahl für halbautonomes Bin-Picking radioaktiver Abfälle, trainiert auf VR-Teleoperationsdaten. 73 % Greifgenauigkeit bei nur +1,2 ms Latenz.","title":"Bachelorarbeit — Robotisches Bin-Picking mittels Supervised und Imitation Learning"},{"content":"Entwurf und Implementierung einer Rendering-Pipeline mit Raytracing im Fragment-Shader, GLSL-Shading, View-Frustum-Culling, Screen-Mapping und Projektion sowie einem eigenen Szenenbaum und Animationssystem. Die Arbeit umfasst vier aufeinander aufbauende C++/Qt-Anwendungen: vom einfachen Rendern von Dreiecksnetzen über ein shader-basiertes Sonnensystem, Skyboxes mit Normal-, Bump- und Displacement-Mapping und Perlin-Noise-Terrain bis hin zu Shadow Mapping und Raytracing.\nTechnologien: C++, OpenGL 3.3, GLSL, Qt, CMake\n","permalink":"https://noahbecker.tech/de/projects/opengl-rendering-pipeline/","summary":"Rendering-Pipeline mit Raytracing, Shading, Culling und eigenem Szenenbaum, entwickelt in vier aufeinander aufbauenden Qt/OpenGL-Anwendungen.","title":"Eigene Rendering-Pipeline in OpenGL"},{"content":"Ein auf AlphaZero basierendes Framework, das Ein- und Zwei-Spieler-Spiele (Tic-Tac-Toe, Vier gewinnt und CartPole) mit einer einheitlichen Modellarchitektur erlernen kann, trainiert per Self-Play und Monte-Carlo-Baumsuche. Dabei wurden Netzarchitekturen mit ResNet- und MLP-Backbone erprobt und verglichen. Entstanden als Teamprojekt im Kurs Deep Learning: Architectures \u0026amp; Methods an der TU Darmstadt.\nDas Titelbild zeigt eine Self-Play-Partie zwischen zwei Kopien des trainierten Agenten (600 MCTS-Simulationen pro Zug, die in einem hart umkämpften Unentschieden endet) sowie die Such-Policy an der umstrittensten Entscheidung der Partie.\nTechnologien: PyTorch, AlphaZero, self-play RL\n","permalink":"https://noahbecker.tech/de/projects/alphazero-rl-agent/","summary":"Auf AlphaZero basierendes Framework, das Tic-Tac-Toe, Vier gewinnt und CartPole mit einer einheitlichen Modellarchitektur erlernt.","title":"Reinforcement-Learning-Agent für Spiele (AlphaZero)"},{"content":"Programmierung einer Kaffeemaschine mit LabVIEW, einschließlich Sensorintegration, Aktorsteuerung und robuster Software für die Bedienung per Touchscreen. Da der Zugang zur Hardware begrenzt war, habe ich zusätzlich eine Python-Simulation der Maschine entwickelt, sodass die Softwareentwicklung auch ohne Gerät weiterlaufen konnte.\nTechnologien: LabVIEW, Elektrotechnik, Mikrocontroller-Programmierung, Python\n","permalink":"https://noahbecker.tech/de/projects/labview-coffee-machine/","summary":"Sensorintegration, Aktorsteuerung und eine Touchscreen-Oberfläche für eine automatisierte Kaffeemaschine, plus eine Python-Simulation der Hardware.","title":"Automatisierung einer Kaffeemaschine mit LabVIEW"},{"content":"Ein C++17-Projekt, das Greedy- und Lokale-Suche-Optimierungsalgorithmen für das 2D-Rechteck-Bin-Packing-Problem implementiert: Gesucht ist die minimale Anzahl gleich großer quadratischer Bins, in die sich eine Menge von Rechtecken packen lässt (Rotationen erlaubt). Die Greedy-Familie umfasst die Platzierungsstrategien Bottom-Left, Shelf und MaxRects, kombiniert mit zwei Sortierstrategien für die Rechtecke; die Lokale-Suche-Familie bietet Geometrie-, Permutations- und Überlappungs-Nachbarschaften mit austauschbaren Selektoren und Bewertungsheuristiken. Eine interaktive GUI auf Basis von SDL2 + Dear ImGui visualisiert die Algorithmen Schritt für Schritt, ergänzt um eine headless CLI zum Debuggen.\nTechnologien: C++17, CMake, SDL2, Dear ImGui\n","permalink":"https://noahbecker.tech/de/projects/optimization-algorithms/","summary":"Greedy- und Lokale-Suche-Algorithmen für das 2D-Rechteck-Bin-Packing mit einer interaktiven Visualisierungs-GUI auf Basis von SDL2 + ImGui.","title":"Optimierungsalgorithmen — 2D-Rechteck-Bin-Packing"},{"content":"In diesem Forschungsprojekt wurde ein Stift über einen visuo-taktilen GelSight-Sensor an einem Franka-Roboterarm montiert und die Kraft an der Stiftspitze allein aus den Bildern des Sensors geschätzt. Ich habe mehrere Computer-Vision-Ansätze zur Bestimmung der Kontaktkraft entwickelt (Stereo-Korrespondenz, Motion Flow und markerbasierte Verfahren) sowie einen auf einem neuronalen Netz basierenden Schätzer.\nTechnologien: ROS, Computer Vision (Stereo, Motion Flow, SIMD), PyTorch\n","permalink":"https://noahbecker.tech/de/projects/tool-force-estimation-robot-drawing/","summary":"Ein über einen visuo-taktilen Sensor an einem Franka-Arm montierter Stift; Computer-Vision-Algorithmen schätzen die Kontaktkraft an der Stiftspitze.","title":"Schätzung der Werkzeugkontaktkraft für robotisches Zeichnen"},{"content":"Eine KI-basierte App zum Türöffnen mittels Gesichtserkennung, entwickelt für den Kurs Ambient Intelligence an der TU Darmstadt. Die Android-App scannt Gesichter direkt auf dem Gerät, kodiert sie in Embeddings und sendet die Kodierung an einen Webserver, der die Person authentifiziert und die Türsteuerung auslöst.\nTechnologien: PyTorch, Flask, Android Studio (Java)\n","permalink":"https://noahbecker.tech/de/projects/biometric-door-opener/","summary":"KI-basierter Türöffner mit Gesichtserkennung: Scannen und Kodieren der Gesichter direkt auf dem Gerät, Authentifizierung und Türsteuerung serverseitig.","title":"Biometrischer Türöffner — Ambient Intelligence"},{"content":"Ich habe einen vollständigen Autonomie-Stack auf einer Turtlebot-Plattform für autonome Objekterkennung und Pick-and-Place-Aufgaben implementiert: Kinematik, Computer Vision, Pfadplanung, SLAM und übergeordnete Handlungsplanung.\nTechnologien: C++, ROS, Computer Vision\n","permalink":"https://noahbecker.tech/de/projects/robotics-101-turtlebot/","summary":"Vollständiger Autonomie-Stack auf einem Turtlebot: Kinematik, Computer Vision, Pfadplanung, SLAM und übergeordnete Handlungsplanung.","title":"Robotics 101 — Mobiler Roboter Pick-and-Place"},{"content":"Mit einem visuo-taktilen GelSight-Mini-Sensor rekonstruiert dieses Projekt eine zusammenhängende 3D-Oberfläche aus mehreren überlappenden Sensorabdrücken. Jede Aufnahme liefert ein RGB-Bild und eine per neuronalem Netz geschätzte Tiefenkarte; die einzelnen Aufnahmen werden über SIFT-Keypoint-Matching registriert und zu einer einzigen farbigen Punktwolke fusioniert, die sich als trianguliertes Mesh exportieren lässt. Als Testobjekte dienten Euro- und Cent-Münzen.\nÜber die Stitching-Pipeline hinaus bietet das Projekt Werkzeuge zur 3D-Live-Visualisierung, zur Aufnahme von Snapshots und zur Inspektion der SIFT-Korrespondenzen zwischen den Aufnahmen sowie eine Treiberschicht für den GelSight-Sensor und dessen Tiefenrekonstruktion.\nTechnologien: Computer Vision, 3D-Punktwolkenanalyse, Image Stitching, PyTorch\n","permalink":"https://noahbecker.tech/de/projects/gelsight-3d-scanning/","summary":"3D-Punktwolken und Oberflächen-Stitching aus taktilen GelSight-Mini-Aufnahmen: Rekonstruktion von Münzoberflächen allein durch Berührung.","title":"3D-Scannen und -Vermessen mit visuo-taktilen Sensoren"},{"content":"Für den Kurs Serious Games habe ich ein Spiel entwickelt, das sich komplett mit einem einzigen Knopf steuern lässt, mit prozedural generierten Leveln, Multiplayer und KI-Sprachausgabe. Das gesamte Spiel ist mit einer einzigen Eingabe spielbar: Timing und Rhythmus ersetzen eine komplexe Steuerung.\nTechnologien: Godot, Game-Design, prozedurale Generierung\n","permalink":"https://noahbecker.tech/de/projects/one-button-game/","summary":"Ein Spiel mit nur einem Knopf, prozedural generierten Leveln, Multiplayer und KI-Sprachausgabe.","title":"Serious Games — One-Button Game"},{"content":"Als Werkstudent bei Siemens Energy habe ich eine Stücklisten-Webanwendung (BOM) mit Anbindung an Siemens-Datenbanken entwickelt, Benutzerverwaltungsabläufe mit VBA automatisiert und in einem internationalen Team an QA und Projektplanung mitgewirkt. (Internes Industrieprojekt; kein öffentlicher Code, keine Screenshots.)\nTechnologien: JavaScript, HTML, CSS, VBA, Python, Java\n","permalink":"https://noahbecker.tech/de/projects/siemens-bom-webapp/","summary":"BOM-Webanwendung mit Anbindung an Siemens-Datenbanken sowie automatisierte Abläufe in der Benutzerverwaltung.","title":"Siemens — BOM-Full-Stack-Webanwendung"},{"content":"Ich habe ein Team humanoider Nao-Roboter für eine Fußball-Challenge programmiert und dabei Bewegungssteuerung, Multi-Agenten-Kollaboration und übergeordnete Planung implementiert. Die Simulation verbindet die NAOqi-Software-in-the-Loop-Laufzeit über ein eigenes Plugin mit Gazebo und ermöglicht so Gelenksteuerung und Sensor-Feedback für den NAO in der simulierten Welt; dazu kommen ein Fußballfeld-Weltmodell, ein eigenes Kinect-Sensormodell und AprilTag-basierte Ballerkennung.\nIm Elfmeter-Szenario navigiert ein NAO autonom zum Ball (erkannt über AprilTag-tf-Transformationen), positioniert sich und führt den Schuss über die Gazebo-Physik-Engine aus, während ein eigener Action-Client-Node benannte NAOqi-Verhalten auslöst. Unser Team erreichte den ersten Platz im Kurswettbewerb.\nTechnologien: ROS, Gazebo, C++, Python, YOLO, SLAM\n","permalink":"https://noahbecker.tech/de/projects/naobot-soccer/","summary":"Ein Team simulierter humanoider NAO-Roboter spielt Fußball; erster Platz im Kurswettbewerb.","title":"NaoBot Soccer Challenge"},{"content":"Eine Django-Webanwendung zur komplexen Visualisierung großformatiger Kraftwerksdaten von Siemens, entwickelt in Kooperation mit dem Lehrstuhl für Datenmanagement der FAU. Die App kombiniert Zeitreihen-Plots, Ausreißeranalyse und topologische Datenanalyse (persistente Homologie mit giotto-tda) mit einem CNN-basierten Zeitreihen-Klassifikator. Ihr Zweck: Sensordaten wieder den richtigen Sensoren zuzuordnen, wenn Bezeichnungen verloren gegangen sind, und Anomalien zu erkennen.\nDie beiden Analyse-Ansichten rendern interaktive Box-Plots, 3D-Projektionen, Persistenzdiagramme und rohe Zeitverläufe im Browser; das CNN klassifiziert Zeitreihen anhand ihrer Gramian-Angular-Field-Kodierung. Ein Hilfsmodul konvertiert zwischen den beteiligten Datenformaten (SQL-Dumps, ZIP-Archive, CSV, NumPy-Arrays).\nTechnologien: Django, Python, Pandas, TensorFlow, giotto-tda, JavaScript\n","permalink":"https://noahbecker.tech/de/projects/power-plant-data-viz/","summary":"Django-App zur Exploration großformatiger Kraftwerks-Sensordaten von Siemens: Zeitreihen-Plots, Ausreißeranalyse und topologische Projektionen.","title":"Web-App zur Visualisierung von Kraftwerksdaten"},{"content":"Ein autonomer Blackjack-Roboter auf Basis eines LEGO Mindstorms EV3, der eine mit UNO-Karten gespielte Blackjack-Variante austeilt, scannt und moderiert. Ein radbasierter Kartenspender befördert einzelne Karten in eine Scan-Ablage, wo ein kartesisches Portalsystem, über Tastsensoren referenziert und kalibriert, einen Helligkeitssensor über die Karte führt und die rohen Pixeldaten über einen Socket an einen PC streamt.\nAuf dem PC werden die Helligkeitswerte zu einem 2D-Bild rekonstruiert, bereinigt (Füllen von Löchern, histogrammbasiertes Thresholding, Entfernen von Randartefakten, Skalierung) und mit einem auf Ziffern beschränkten Tesseract/Tess4J-OCR-Setup erkannt; der erkannte Kartenwert geht zurück an den EV3.\nDie EV3-Seite (leJOS, Java) agiert als Dealer: Sie führt die Blackjack-Spiellogik für einen Tisch mit vier Spielern aus, nimmt die Spieleranzahl über die Tasten des Bricks entgegen, liest Hit-/Stand-Entscheidungen über einen am Boden montierten Tastsensor ein und befördert jede ausgeteilte Karte per Hebelmechanismus zum richtigen Spieler. Entstanden im Rahmen des LEGO Mindstorms Praktikums.\nTechnologien: LEGO Mindstorms EV3, leJOS (Java), Tess4J/Tesseract OCR, Sockets\n","permalink":"https://noahbecker.tech/de/projects/lego-blackjack-robot/","summary":"Ein autonomer Blackjack-Dealer aus LEGO Mindstorms: Kartenausgabe, Scannen per Helligkeitssensor und Kartenerkennung per OCR für vier Spieler.","title":"LEGO-Mindstorms-Blackjack-Roboter"},{"content":"Als PDF herunterladen\nAusbildung M.Sc. Autonome Systeme und Robotik (2022–heute) Technische Universität Darmstadt, Deutschland Vorläufige Note: 1,4\nB.Sc. Informatik (2018–2022) Friedrich-Alexander-Universität Erlangen-Nürnberg, Deutschland\nBerufserfahrung Wissenschaftliche Hilfskraft (2024–heute) Intelligent Autonomous Systems Group, TU Darmstadt Forschung zu ML-basierter und analytischer Schlupferkennung mittels visuo-taktiler Sensorik im Kontext der Teleoperation. Veröffentlichung und Präsentation der Forschung auf der ICRA@40 und der ICRA 2024.\nWissenschaftliche Hilfskraft und Tutor (2023–2024) Artificial Intelligence and Machine Learning Lab, TU Darmstadt Tutor für den Kurs „Einführung in die Künstliche Intelligenz“; Konzeption des Kurses „Einführung in Machine Learning mit Python“.\nWerkstudent – Agiler Softwareentwickler (2019–2022) Siemens Energy, Erlangen Digital Operations Management: Prozessautomatisierung, Webentwicklung, Softwareintegration, Benutzerverwaltung und technischer Support.\nFull-Stack und ML-Ops (2020–2021) Lehrstuhl für Datenmanagement in Kooperation mit Siemens Energy, Erlangen Entwicklung einer Webanwendung zur Klassifikation und Visualisierung von Kraftwerksdaten in Django.\nWissenschaftliche Hilfskraft und Tutor (2019–2020) Lehrstuhl für Datenmanagement, FAU Erlangen-Nürnberg Tutor für Prozessorientierte Informationssysteme, Informatik für Ingenieure und Knowledge Discovery in Databases.\nPraktikant (2018) GreenYellow Madagascar, Antananarivo Systemadministration und Beschaffung bei einem Unternehmen für Verkauf und Installation von Solaranlagen.\nEhrenamtliches Engagement Teamleitung (2023–heute) — Campus Connect Darmstadt Koordination mehrerer Teams und Sicherstellung eines reibungslosen Ablaufs bei wöchentlichen Veranstaltungen.\nJugendgruppenleiter (2016–2024) — Gemeinde Elia Erlangen Organisation und Leitung von Aktivitäten, Mentoring, Nachhilfe und Förderung des Gemeinschaftsengagements unter Jugendlichen.\nNachhilfelehrer (2018–2022) — Studienkreis Erlangen Nachhilfe in Mathematik, Englisch und Informatik für Schülerinnen und Schüler der Mittel- und Oberstufe.\nKenntnisse Fortgeschritten: Python (OpenCV, PyTorch, Pandas, NumPy), Java, VBA, SQL, LaTeX, Unity, ROS1, ROS2\nGute Kenntnisse: C, C++, C#, JavaScript, Android Studio, Bash, PowerShell, Prompt Engineering, Matlab, LabVIEW, OpenGL\nWeitere Kenntnisse: Linux Debian, Docker, Raspberry Pi, Arduino, 3D-Druck, Fusion 360, Reglerentwurf, Pixel- und Vektorgrafik (Affinity), Microsoft Office\nSprachen: Deutsch (Muttersprache), Englisch (C2), Französisch (B1)\n","permalink":"https://noahbecker.tech/de/cv/","summary":"Ausbildung, Berufserfahrung und Kenntnisse.","title":"Lebenslauf"},{"content":"M.Sc. Autonome Systeme und Robotik Technische Universität Darmstadt\nRobotik \u0026amp; Robot Learning Lernende Roboter Lernende Roboter: Integriertes Projekt – Teil 1 Lernende Roboter: Integriertes Projekt – Teil 2 Intelligente Robotermanipulation: Part II Expertenpraktikum im Robot Learning Masterarbeit Autonome Systeme und Robotik Machine Learning \u0026amp; KI Deep Learning: Architectures \u0026amp; Methods Einführung in die Künstliche Intelligenz Optimierungsalgorithmen Ambient Intelligence Computer Vision \u0026amp; Grafik Computer Vision I Computer Vision II 3D Scanning \u0026amp; Motion Capture Graphische Datenverarbeitung I Serious Games Mechatronik \u0026amp; Regelungstechnik Mechatronische Systeme I Systemdynamik und Regelungstechnik I Aktorwerkstoffe und -prinzipien Mechatronik und Assistenzsysteme im Automobil Sprachen Cours avancé I Compréhension et expression – Préparation à UNIcert II B.Sc. Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg\nMathematik \u0026amp; Theorie Mathematik für INF 1 Mathematik für INF 2 Mathematik für INF 3 Mathematik für INF 4 Algorithmik kontinuierlicher Systeme Berechenbarkeit und Formale Sprachen Grundlagen der Logik in der Informatik Theorie der Programmierung Algorithmen \u0026amp; Programmierung Algorithmen und Datenstrukturen Parallele und Funktionale Programmierung Software-Entwicklung in Großprojekten Systemprogrammierung Rechnerarchitektur \u0026amp; Systeme Grundlagen der Rechnerarchitektur und -organisation Grundlagen der Technischen Informatik Grundlagen der Schaltungstechnik Rechnerkommunikation Cyber-Physical Systems Daten \u0026amp; Informationssysteme Implementierung von Datenbanksystemen Datenbank Praxis Konzeptionelle Modellierung eBusiness Technologies und Evolutionäre Informationssysteme Robotik \u0026amp; Machine Learning Grundlagen der Robotik Machine Learning for Engineers I — Introduction to Methods and Tools Praktikum Lego Mindstorms Bachelorarbeit: Optimizing Robotic Bin Picking of Radioactive Debris using Supervised and Imitation Learning Angewandtes \u0026amp; Interdisziplinäres International Supply Chain Management Seminar Energieinformatik ","permalink":"https://noahbecker.tech/de/transcript/","summary":"Kurse aus Master- und Bachelorstudium — Autonome Systeme und Robotik, TU Darmstadt; Informatik, FAU Erlangen-Nürnberg.","title":"Notenübersicht"}]