ROS Experten in Deutschland

• Verantwortlich für die Full-Stack-Entwicklung einer AI-native Unternehmensplattform auf Basis von TypeScript, React, Vite, tRPC, Hono und PostgreSQL, die KI-gestützte Beratungs-Workflows für B2B-Kunden liefert.
• Entwarf und lieferte ein Multi-Agenten-KI-System mit dem ReAct-Framework und Claude-Skills-Workflow-Mustern, inklusive eines intelligenten PM-Assistenten mit umfangreichen System-Prompts, Slash-Befehlen, Tool-Integrationen und Streaming-Chat-Oberfläche.
• Entwickelte ein LLM-Bewertungs-Framework: rubrikbasierte LLM-als-Richter, Golden Datasets, Regressionstests und automatisierte Qualitätssicherung — für konsistente KI-Ausgabequalität in großem Maßstab.
• Integrierte LangFuse für durchgehendes LLM-Tracking, Konversations-Wiedergaben und Bewertungs-Pipelines, was datengetriebene Prompt-Optimierung ermöglichte und Token-Kosten sowie Antwort-Varianz reduzierte.
• Implementierte Drizzle ORM, pgvector und Knowledge Graphs für strukturierten Datenzugriff, semantische Suche und beziehungsorientiertes KI-Schlussfolgern über die gesamte Plattform.
• Führte die TanStack React Query-Migration in der gesamten Anwendung durch — ersetzte manuelles State-Management durch zentrales Caching und automatisches Refetching, was den Boilerplate-Aufwand für Datenabrufe deutlich reduzierte.
• Setzte AI-native Entwicklung durchgehend ein: Claude Code, Codex, Perplexity SDK und LLM-unterstütztes Testing im gesamten Entwicklungszyklus. Deployment auf Vercel + Azure ACA mit Biome für Linting/Formatting.

• Proof-of-Concept für Echtzeit-Videoanalyse zur Bereitstellung auf NVIDIA Jetson Edge-Geräten entwickelt.
• DeepStream-Pipelines implementiert mit Objekterkennung, Tracking, menschlicher Posenschätzung, Gesichts-Anonymisierung und Bereichseinbruchserkennung.
• Qt/Python-Demo-UI erstellt, die über REST-APIs mit der KI-Pipeline kommuniziert.

• Leitung der strategischen Softwareentwicklung von Fusionsalgorithmen für präzises Objekt-Tracking, Trajektorienvorhersage und Umgebungsmodellierung auf Basis multimodaler Sensordaten (u. a. Kamera, LiDAR, Radar, GNSS, IMU)
• Entwicklung und Implementierung von Navigationsalgorithmen für autonome Fahrzeuge, einschließlich Pfadplanung, Hindernisvermeidung und Sensorfusion aus visuellen, inertialen und distanzbasierten Sensorquellen
• Automatisierung des Extraktions- und Trainingsprozesses mit CI/CD
• Entwicklung und Optimierung von Datenpipelines und -prozessen in Microsoft Azure mithilfe von Apache Spark, Databricks und PySpark
• Entwicklung und Optimierung von Embedded-Software für automotive Steuergeräte
• Entwicklung von latenzkritischer Software für Echtzeitsteuerungen in robotischen Systemen mit RTOS (freeRTOS, SAFERTOS)
• Verwendung der Vector-Toolchain (CANdela, Davinci, CANoe) für Konfiguration und Diagnose
• Optimierung bestehender Datenpipelines und -prozesse (ETL, Data Warehouse, SQL)
• Entwicklung und Training von Machine-Learning-Modellen mithilfe von PyTorch
• Entwicklung Deep-Learning-basierter Objekterkennungs- und VisualSLAM-Algorithmen, trainiert auf kombinierten Daten aus Kamera-, LiDAR- und IMU-Sensorik
• Implementierung von Computer-Vision-Algorithmen zur Objekterkennung und -klassifikation in Robotersystemen auf Basis von OpenCV und YOLO unter Nutzung synchronisierter Bild- und Tiefendaten
• Implementierung verhaltensbasierter Steuerungssysteme für autonome Roboter mittels ROS2 Behavior Trees
• Durchführung von Tests, Freigabe und Einführung der Sensorfusionsalgorithmen in die Produktionsprogramme der Automobilbranche
• Einhaltung geeigneter Softwareentwicklungsprozesse und Sicherheitsstandards zur Gewährleistung hoher Datenqualität (MISRA, ISO 26262, ASPICE)

UEF 3.0 · Semantic Government Overlay (SGO) · Autonome Systeme (UAS / Dual-Use)

• Konzipiert: Semantic Government Overlay (SGO) – KI-geführte Verwaltung ohne Ablösung bestehender Fachverfahren. Lesender semantischer Layer über Registern und Fachverfahren auf Basis des Föderalen Informationsmanagements (FIM). Die Entscheidungshoheit verbleibt beim Sachbearbeiter (Architekturprinzip).
• Entwickelt: Referenzarchitektur mit quellenbelegten, abgeleiteten Aussagen (ausführbare Ontologien OWL/RDF/SHACL). Technisch garantierte Zweckbindung und Kein-Schreibpfad-Prinzip in Fachdaten – auditierbar, ohne zentralen Datenpool.
• Verankert: Regulatorik als Designprinzip: EU AI Act (Hochrisiko-Pflichten für Behörden-KI, Grundrechte-Folgenabschätzung nach Art. 27), DSGVO, NIS2 und verwaltungsrechtliche Automatisierungsgrenzen (§ 35a VwVfG, § 31a SGB X) als technische Kontrollpunkte in der Architektur.
• Erstellt: Methodisches Werkzeug für Pilotträger: Datenpipeline-Assessment (Phase 0), Compliance-Blueprint und Management Summary als entscheidungsreifes Paket für die öffentliche Verwaltung.
• Spezifiziert: UEF 3.0 als Nachfolge-Architektur zu TOGAF – Decision Paper kanonische Ontologie, Sechs-Schichten-Architektur, Read/Actuate-Grenze, Federation-Registry, Terminologie-Konkordanz und Release-Delta als geschlossener Spezifikationsstand.
• Architektiert: KI-natives Missions-OS für autonome UAS und Bodenrobotik als taktische Schicht über einem separat zugelassenen Autopiloten. Run-Time Assurance nach ASTM F3269-21 (Simplex-Muster): Der verifizierte Sicherheits-Controller behält die Autorität, die KI-Funktion liefert Vorschläge.
• Ausgelegt: Drei-Tier-Architektur – Tier 0 Autopilot mit 650-Hz-Flugregelung auf RTOS, Tier 1 KI-OS mit semantischem Weltmodell und Multi-Agenten-Cluster, Tier 2 Schwarm- und Boden-Mesh. Zenoh als primäre Fabric, MAVLink als einziger authentifizierter Kommandopfad (Single-Writer). Ergebnis: graceful degradation – Verlust der Mission, nicht des Fluggeräts.
• Abgesichert: Zwei-Gate-Kette auf der Read/Actuate-Grenze – Governance-Gate (Darf-Frage: AI-Act-Risikoklasse je Aktuierung, erzwungene menschliche Aufsicht nach Art. 14, unveränderliches Log) vor RTA-Safety-Monitor (Richtig-Frage: Flugenveloppe, Geofence, Energiereserve) mit Revert auf den Baseline-Controller.
• Verankert: Dual-Use-Architektur mit Common Core und Build-Time-Fork statt Runtime-Umschalter. Drei getrennte Rechtsstufen: Zivilvariante – UAS unter der EASA-Grundverordnung (EU) 2018/1139 mit der nach Art. 2 Abs. 2 AI Act eingeschränkten Anwendbarkeit, Bodenrobotik unter der Maschinenverordnung 2023/1230 mit voller Hochrisiko-Pflichtenkette, Cyber Resilience Act für beide; unbewaffnete Trägervariante als Rüstungsgut unter AWG/AWV und Dual-Use-VO 2021/821 (BAFA-Genehmigung); bewaffnete Variante unter KrWaffKontrG. Jede Ausprägung lebt unter genau einem dominanten Rechtsregime. Nachweisfundament: AI-BOM, SBOM und lückenlose Data-Lineage.
• Analysiert: Systemanalyse und Neuausrichtung gewachsener Engineering-Systemlandschaften. Vorgehenskonzept Konsolidierung ohne Migration – semantischer Layer über den Bestandsquellen statt Datenumzug. Ergebnis: entscheidungsreifes Vorgehenskonzept inklusive Bewertungsmodell für die Zielarchitektur.

• Integration von ADAS-Komponenten in unterschiedlichen Projektrollen als Integrator, Tester und Debugger, u. a. BMW KAFAS4-Kamerasystem und ZF Full Range Radar.
• Anbindung und Visualisierung von Radar-Sensordaten über ROS2 (Linux) zur Unterstützung vo...

• Entwickelte ein Bewertungsframework für KI-generierte Multiview-Fahrvideos, das für Wahrnehmungs- und Embodied-AI/VLA-bezogene Trainingsworkflows gedacht ist.
• Entwarf automatisierte Prüfungen für zeitliche Kohärenz, Kamerakonsistenz, semantische Korrektheit und geometrische Multiview-Qualität und deckte dabei Ausfallmodi auf, die für autonome Systeme relevant sind.
• Kombinierte klassische Computer Vision, gelernte visuelle Repräsentationen und Vision-Language-Modelle, um komplexe Videoartefakte in messbare technische Signale zu überführen.
• Aufbau wiederholbarer Benchmarking- und Fehleranalyse-Workflows zur Unterstützung von Modellvergleichen, Datenqualitätsentscheidungen und Systemverbesserungs-Diskussionen.

• Von MILLA Group (Hersteller autonomer Shuttles) beauftragt, einen sicherheitskritischen AD-Stack für die Produktion zu integrieren und abzusichern: Architektur über Perception, HD-Karten und Positionierung geprüft und eine Gap-Analyse mit Maßnahmenplan geliefert.
• Root-Cause-Analyse von Sensorfehlern in einer ausgerollten Shuttle-Flotte geleitet; die Behebung in einem versionierten AD-Release umgesetzt und die Fahrzeugvalidierung vor Ort an mehreren Einsatzstandorten vorangetrieben.
• Schnittstellen zwischen Perception, Lokalisierung und Fahrzeugsystemen in C++ entworfen und implementiert; Integrationsrisiken identifiziert und die Lösung subsystemübergreifender technischer Themen im AD-Stack vorangetrieben.
• Den Software-Entwicklungszyklus des Kunden durch Agile-Workflows und CI/CD-Pipelines standardisiert und so Integrations- und Validierungszyklen verkürzt.

• Thema: Objekterkennung und semantische Segmentierung für (AUV)-Systeme mit transformerbasierten Vision-Modellen und Sensorfusion.
• Entwicklung und Implementierung einer durchgängigen Multi-Sensor-Fusion-Wahrnehmungspipeline (Kamera, LiDAR, IMU) in ROS
• Entwicklung eines CNN-basierten Machine-Learning-Modells (YOLOv8) und transformerbasierter Vision-Modelle für die Echtzeit-Objekterkennung
• Verarbeitung und Clustering von 3D-LiDAR-Point-Clouds mit DBSCAN, RANSAC und Voxel-Grid-Filtering für eine robuste Objektlokalisierung in verrauschten Umgebungen.
• Entwicklung von Bayesian-Netzwerk-Modellen (GeNle) für probabilistisches Schließen und sensorbasierte Entscheidungsfusion unter Unsicherheit.
• Einsatz von Kalman-Filtering zur Schätzung des Sensorzustands, zeitlichen Ausrichtung und glatten Objektverfolgung, wodurch False Positives in sicherheitskritischen Szenarien reduziert wurden.
• Auswertung der Systemleistung unter realistischen Fahrdynamiken, Verbesserung der Tracking-Stabilität und der Robustheit der gesamten Wahrnehmung.
• Aufbau von Deep-Learning-Pipelines für Training, Validierung und Performancebewertung von Wahrnehmungsmodellen mit Sensordaten.

• Automatisierte Fahreranalyse durch Programmierung zeitlicher Regel-Engines zur Bewertung der Sicherheit beim Spurwechsel, Kopfhaltungskontrollen im Rückspiegel, Blinkerzyklen und Einhaltung von Ampeln und Verkehrszeichen
• Echtzeit-Verkehrszeichenerkennung und mehrstufige Ampelklassifikation synchronisiert mit zeitreihengenauer CAN-Bus-Telemetrie und HD-Karten-Raumprioren zur Bewertung der Verkehrsregelkonformität
• Trainierte und bereitgestellte separate Deep-Learning-Modelle, optimiert für die Innenraumüberwachung und die Außenbereichswahrnehmung
• Verknüpfte Wahrnehmungsausgaben mit kameraintrinsischen Parametern und Horizont-Stabilitätschecks, um unter Annahme einer ebenen Geometrie die 3D-Entfernung von Objekten auf der Bodenebene zu schätzen
• Bereitstellung eines Split-Compute-Edge-Netzwerks über VPN für eine Flotte von 10 Fahrzeugen und Implementierung einer Zero-Allocation-Host-Memory-Pipeline zur Eliminierung der Frame-Akkumulationslatenz (6×21 FPS pro Fahrzeug)

• Aufbau eines KI-Systems für Trend-Scouting zur Automatisierung von Technologie-Intelligence in der Leistungselektronik und bei Halbleitern, kombiniert mit Azure OpenAI und LangChain, Scrapy-basiertem Web-Crawling für eine strukturierte, störungsfreie Datenerfassung sowie automatischer PDF-Berichterstellung für den internen F&E-Einsatz. Entwicklung einer FastAPI-basierten Webanwendung (Uvicorn) zur Validierung von LLM-Ausgaben, zum Testen von Prompt-Strategien und für eine interaktive Systembewertung.
• Entwicklung eines Echtzeit-Debuggers für STM32-Binärtelemetrie mit PyQt-basierter GUI, inklusive header-basierter Framesynchronisation, Anomalieerkennung, template-gesteuerter Payload-Dekodierung, zeitsynchronem Buffering und Live-Signalvisualisierung.
• Entwicklung eines KI-gestützten Designers für Leistungsdrosseln mit Surrogate-Regression-Modellen für eine genaue elektromagnetische und thermische Vorhersage. Integration einer Multi-Objective-NSGA-II-Optimierung zur Generierung effizienter, fertigungsgerechter Designs.

• Embedded-Softwareentwicklung für EMS Sicherheitsplatinen in der Medizintechnik gemäß IEC 62304 / ISO 13485
• Technologien: C++, OpenCV, Python, Qt6, JTAG, UART, CMake, IEC 62304, ISO 13485

• Benutzerdefiniertes Yocto-Linux-Image mit Docker-Support erstellt (NXP i.MX 6ULL)
• Verteilte Python-Anwendung entwickelt (Weboberfläche, Gas-/Temperaturregelung)
• Mehrere Docker-Container für Produktion und Entwicklung entworfen
• Dokumentation gemäß IEC 62304 erstellt

• Erforschung, Entwicklung und Umsetzung einer umfassenden Digitalstrategie zur Modernisierung und Beschleunigung der Abläufe eines Sportvereins mit rund 1300 Mitgliedern.

• Systemarchitektur & Implementierung: Konzeption und Aufbau einer zentralen, kostengünstigen und energieeffizienten ARM-basierten Serverinfrastruktur.

• Auswahl, Installation und Konfiguration von Open-Source-Lösungen für Wissensmanagement, Ticketbuchung und Mitgliederverwaltung.

• Vram.run: Rust, TypeScript, HF-Inference-API mit 19 Anbietern, über 220 Hardware-Konfigurationen und mehr als 30 Cloud-GPUs. Suche nach einem Modell, um zu sehen, welche API-Anbieter es bereitstellen, welche GPUs es lokal ausführen können (und wie schnell) und was ein Cloud-Leasing kosten würde. Oder suche nach deiner Hardware und finde die passende. Beinhaltet auch ein Rust-CLI.
• Psychotron: JavaScript, Web Audio API, AudioWorklet, Canvas 2D. Frontend für Flash-Fiction-Hörbuch mit einer Web-Audio-DSP-Kette mit Pitch-Shifting, 12-stimmigem Chor, Flanger, 13-Band-EQ und Convolver-Hall. Beinhaltet eine 2D-Canvas-Effekt-Morphing-Engine und einen synchronisierten Teleprompter.
• RecentWork: Swift, macOS, FSEvents, launchd. macOS-Daemon, der Projektverzeichnisse überwacht und einen flachen Ordner mit Symlinks auf kürzlich geänderte Dateien pflegt. Über Homebrew installierbar.
• Mini-llm: Bash, macOS, launchd, Ollama, llama.cpp, MLX, Open WebUI. Ein einzelner Befehl verwandelt einen Mac Mini in einen Headless-KI-Server.
• ThatSlop: JavaScript. Chrome-/Firefox-Erweiterung zur KI-Inhaltserkennung auf LinkedIn und Twitter.
• Smux: Bash, tmux. Benutzerfreundlicher tmux-Wrapper, der über Homebrew installierbar ist.
• Learn Rust Course: Rust. Kurs zum Rust-Speichermodell für C++-Programmierer, geschrieben aus der Erfahrung des Übergangs von C++ zu Rust bei Irreducible.