Locomotion & Whole-Body Control Engineer (Mensch)

Der Fokus liegt auf kontaktreicher Dynamik, Echtzeit-Optimierung und zuverlässiger Ausführung auf physischen Robotern. Du arbeitest eng mit State Estimation, Simulation, Low-Level-Control und Hardware-Teams zusammen - ebenso mit den Applikationsteams, deren Aufgaben am Ende von robuster, vorhersagbarer Lokomotion und stabilem Whole-Body-Verhalten abhängen.

• Whole-Body-Bewegungsgenerierung und -Regelung für Floating-Base-Legged-Plattformen - Lokomotion, Balance, Kontaktübergänge und Loco-Manipulation (gehen und gleichzeitig manipulieren).
• Trajektorienoptimierung und Model-Predictive-Control-Pipelines über Roboterzustand, Kontaktpläne, Bodenreaktionskräfte, zentroidalen Impuls und Gelenktrajectorien - mit reduzierten Lokomotionsmodellen wie LIPM, SRBD und zentroidaler Dynamik.
• QP-basierte Task-Space-Inverse-Dynamik, um instantane Whole-Body-Control aus MPC- und Trajektorien-Referenzen mit 1 kHz auf dem realen Roboter auszuführen.
• Whole-Body-Modellierung der Plattform: Floating-Base-Rigid-Body-Dynamik aus URDF/MJCF, Gelenkkonfiguration, FK/IK, Jacobianen sowie Massen-, Coriolis- und Gravitationsterme.
• Constraint-Formulierung über MPC- und QP-Ebene hinweg - Kontakt-, Reibungs-, Drehmoment-, Gelenk-, kinematische und Stabilitäts-Constraints - inklusive Task-Hierarchie-Design, passend zur Plattform.
• Solver-Performance-Arbeit in beiden Ebenen: Warm-Starting, numerische Konditionierung, Constraint-Handling und Echtzeit-Zuverlässigkeit bei 500 Hz bis 1 kHz.
• Deployment, Tuning und Debugging von MPC-, Trajektorienoptimierungs-, IK- und Invers-Dynamik-Pipelines auf physischen Robotern - inklusive plattformspezifischer Kontaktmodell-Kalibrierung und Validierung mit realen Roboterdaten.
• High-Performance-C++ für Echtzeit-Ausführung sowie Python-Tooling für Analyse, Prototyping und Debugging., * Hands-on-Erfahrung mit Humanoiden, Quadrupeden oder anderen hoch-DOF-Legged-Robotern.
• Vertrautheit mit Pinocchio, MuJoCo, Crocoddyl, IPOPT, TSID, OCS2 oder ähnlichen Open-Source-Tools.
• Hierarchische QPs, gewichtete QPs, Task-Priorisierung, Kontaktkraft-Optimierung oder Operational-Space-Control.
• Kontaktplanung, Gait-Optimierung, Balance-Recovery; CPG-basierte oder hybride CPG/MPC-Controller.
• Multi-Contact-WBC: Fußkontakte, bimanuelles Greifen oder Base-Arm-Koordination.
• Kontaktkonsistente Dynamik und Impact-bewusste Übergänge in der Regelung.
• Erfahrung mit drehmomentgeregelten Robotern und hochbandbreitiger elektrischer Aktuatorik.
• Publikationen auf RSS, ICRA, IROS oder CoRL im Bereich Legged Locomotion oder Whole-Body-Control.

• MSc oder PhD in Robotik, Regelungstechnik, Maschinenbau, Elektrotechnik, Informatik oder einem verwandten Fach.
• 4+ Jahre Hands-on-Erfahrung in der Entwicklung von Trajektorienoptimierung, MPC für Lokomotion und/oder Whole-Body-Control auf physischen Robotern.
• Sehr solide Grundlagen in Floating-Base-Rigid-Body-Dynamik und Kontaktmodellierung.
• Sehr gute praktische Kenntnisse zu reduzierten Lokomotionsmodellen (LIPM, SRBD, zentroidale Dynamik oder Äquivalente) und deren Einsatz innerhalb von MPC.
• Starker Background in Optimal Control, beschränkter numerischer Optimierung und Model-Predictive-Control für Legged Robots.
• Hands-on-Erfahrung mit Whole-Body-QP-/TSID-Frameworks auf echten Roboterdaten - inklusive QP-/DDP-Solver-Interna.
• Erfahrung im Deployment von Echtzeit-Control-, MPC- und WBC-Pipelines mit 500 Hz bis 1 kHz auf Hardware.
• Sehr gutes C++ für Echtzeit-Robotik-Software; Python für Analyse, Tooling, Prototyping und Debugging.
• Praxisnahes Verständnis, wie sich Kontaktdynamik, Aktuator-Limits, Latenz, State-Estimation-Fehler, Solver-Failure-Modes und Modellabweichungen auf realer Hardware verhalten.
• Kollaborativer Arbeitsstil: gemeinsames Design, konstruktive Code-Reviews, proaktive Kommunikation und zuverlässige Abstimmung über Control-, Estimation-, Simulation-, Low-Level-Control- und Hardware-Disziplinen hinweg. Starkes Teamwork ist für diese Rolle essenziell.