Kalibrierungsexperten in München

• Entwicklung neuer Simulatorfunktionen und Erweiterung vorhandener Module mit C++.

• GUI-Design und Implementierung mit Qt für Windows, einschließlich Neugestaltung zur Verbesserung der Benutzerfreundlichkeit und des Workflows.

• Wartung und Ausbau des bestehenden Codebestands: Refactoring, Fehlerbehebung und Modularisierung zur Unterstützung neuer Funktionalitäten.

• Versionsverwaltung mit Git.

• Performance-Optimierung der Simulation zur Einhaltung von Echtzeitanforderungen.

• Erstellung und Pflege von Dokumentationen: technische Kommentare, Design-Dokumente, API-Referenzen und Benutzerhandbücher.

• Leitung einer Neugestaltung, die den Bediener-Workflow verbessert und die Aufgabenausführungszeit verkürzt hat.

• Erweiterung der Simulatorarchitektur zur Unterstützung mehrerer neuer Szenariotypen bei gleichzeitiger Wahrung der Abwärtskompatibilität.

• Durchführung von Refactoring- und Modularisierungsmaßnahmen, die Wartung vereinfachten und die Feature-Auslieferung beschleunigten.

• Technologien: C++03, Qt4.6, QMake, Git, V-Modell, Windows

KI-gestützte Automatisierung der Einkäufe auf einer Druckerei-Website mit Auswahl von Lieferzeiten, Bestelloptionen, Bestellung, Bezahlung und Hochladen der Druckdaten aus der Lumiz-Cloud.

• Projekt: Entwicklung eines Pfadplanungsmoduls (Okt. 2024 – Juni 2025)

• Entwickelte das Pfadplanungsmodul mit C++14 und CMake

• Implementierte das gRPC-Kommunikationsprotokoll zwischen Modulen

• Führte Unit-Tests mit dem Pytest-Framework und Python durch

• Projekt: HMI-Programmierung für Batterie- und Brennstoffzellen-Elektrofahrzeuge (Aug. 2023 – Sept. 2024)

• Entwickelte HMI-Software für BEV/FCEV mit Ruby und Crystal im Backend

• Implementierte das Frontend mit dem Vue.js-Framework

• Führte Fehlerbehebungen und Simulator-Tests durch

• Projekt: IFHOST CAN-Bus-Programmierung (Jan. 2023 – Juli 2023)

• Programmierte CAN-Bus-Software mit C und C++

• Führte Unit-Tests mit dem Google Test Framework durch

• Führte Integrationstests mit CAPL im Vector CANalyzer durch

• Beteiligte sich an Vor-Ort-Tests

• Konzipierte eine agentenbasierte Echtzeit-Engine zur Angebotsorchestrierung, in der spezialisierte Agenten (Retrieval, Pricing/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Promotionen über alle Touchpoints zu personalisieren, mittels RAG mit FAISS auf Delta Lake und latenzarmem Databricks Model Serving. Arbeit mit Produktmanagern und kommerziellen Stakeholdern zur Roadmap-Gestaltung und Bewertung neuer Agentenmuster für den Produktionseinsatz.

• Entwickelte einen agentenbasierten Data-Quality-Service, der Schema-Erkennung, Entity-Normalisierung und Validator-/Exception-Handling-Agenten orchestriert, um SKU-Feeds mehrerer Händler in großem Maßstab zu bereinigen. Verpackte Modellaufrufe in PySpark-UDFs für verteilte Inferenz, automatisiert über Databricks Workflows und CI/CD.

• Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern mit Claude 3 Sonnet und Swin Transformer-Encodern zu extrahieren. Orchestriert über Azure Event Hub, mit Speicherung der Ergebnisse in Delta Lake.

• Implementierte einen GS1-Taxonomie-Klassifizierungsservice, der auf kooperierenden Agenten für Inferenz, Drift-Monitoring und automatisierte Retrainings-Governance basiert, unter Nutzung von Falcon 180B (LoRA-feinjustiert) mit Batch-Pipeline auf Databricks.

• Erstellte einen hybriden Agenten-Workflow, bei dem ein Retrieval-Agent Kandidaten über Embeddings ermittelt und ein Reasoning/Verifikations-Agent (Mixtral 8x7B) die Übereinstimmung von Beleg und SKU überprüft, integriert in eine Streaming-Pipeline auf Databricks.

• Entwickelte eine multimodale Attribut-Inferenz-Pipeline, aufgebaut aus kooperierenden Vision-Sprach-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertfelder und Verpackungsarten aus Namen und Bildern mit LLaMA 3-8B und CLIP-Embeddings zu ermitteln.

• Entwickelte ein GenAI-basiertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten über strukturierte Extraktions-Agenten analysiert und diese dynamisch über Tagging, semantisches Reasoning und Business-Rule-Agenten mit Echtzeit-Händlerangeboten verknüpft.

• Projekt: Sensor-Fusion-Anwendung zur Erkennung von Verkehrsteilnehmern
• Software-Frameworks: C++ (11, 14), Python, Visual Studio, MTS, Qt, GitHub, Jenkins, JIRA, Confluence, Conan, CAN, RTOS, DOORS, CMake
• Sensor-Fusion-Algorithmen refaktoriert und angepasst, indem Sensordaten (Kamera und Radar) für ACC und EBA entsprechend den Anforderungen verarbeitet wurden
• Systemtest-Fehlermeldungen in JIRA bearbeitet
• Kalman-Filter abgestimmt und neue Funktionen zur Verbesserung des Trackings hinzugefügt
• Architektur, Detaildesign (UML) und Simulationstool (Qt) angepasst
• Unit-Tests durchgeführt, Code-Reviews und statische Code-Analyse gemäß MISRA-Standards
• Regressionstests zur Softwarevalidierung durchgeführt, an Software-Releases (CI/CD) beteiligt, KPI-Bewertung durch Tests von NCAP-Szenarien
• ADAS-Software auf Ziel-Fahrzeuge geflasht, UDS-Protokoll und OBD-II-Tools für Diagnose und Verifikation verwendet

• Vision-Language-Action-(VLA)- und Diffusion-Policy-Modelle auf NVIDIA Jetson Orin und Jetson Thor bereitgestellt und optimiert, um Echtzeit-Inferenz-Latenz-Ziele für humanoide Roboter-Steuerungsschleifen zu erreichen.
• TensorRT-Engine-Pipelines (PyTorch → ONNX → TensorRT) mit INT8/FP8 Post-Training-Quantisierung, Design von Kalibrierungsdatensätzen und quantisierungsbewusster Validierung aufgebaut, wodurch der Inferenz-Speicherbedarf auf Jetson um mehr als das 3-Fache reduziert wurde, ohne Genauigkeitsverlust.
• Eigene CUDA-C++-Plugins und CUDA Graphs für latenzdeterministische, echtzeitfähige Policy-Ausführung entwickelt – und damit harte Laufzeit- und Speichergrenzen auf eingebetteten GPU-Zielsystemen eingehalten.
• Eine Inferenz-Engine für VLA-Modelle auf Basis von llama.cpp entwickelt, die verschiedene VLA-Policies unter einer einzigen Runtime zusammenführt und jede als eine einzelne, selbst enthaltene GGUF verpackt, die kein Python oder PyTorch benötigt.
• GPU-Ausführung mit NVIDIA Nsight Systems und Nsight Compute profiliert und optimiert, CUDA-Kernel-Engpässe, Sättigung der Speicherbandbreite und SM-Auslastungsprobleme über Jetson-Orin- und Thor-Compute-Profile hinweg identifiziert und damit eine Performance-Optimierung über mehrere Schichten umgesetzt.