Thesis List

Background

The FLW at TU Dortmund uses a business game in its teaching. Participants take on the role of warehouse manager and plan materials, goods flows, and staff deployment. The game is round-based. Every decision affects the subsequent rounds. This way, warehouse logistics content is taught in a hands-on, tangible way.

A working version of the game already exists, but it is outdated in terms of both technology and content. The goal of this thesis is an updated, fully playable version of the game, that reflects modern intralogistics technologies.

Tasks

1. Familiarizing yourself with the existing version of the business game (game logic, learning objectives, source code)
2. Cleaning up the code structure and fixing known bugs
3. Extending the game with graphs, helper tools, and explanations of individual modules
4. Researching modern warehouse systems such as robots, AGVs, and automated storage and retrieval systems and adding them to the game elements
5. Testing and documenting the complete architecture
6. Creating 2D or 3D visualizations of individual elements and processes in the game
    

Your Profile

• Master's student in logistics, mechanical engineering, industrial engineering, or computer science
• Interest in logistics and software development
• Knowledge of Java is a benefit
• Independent and structured working style
   
   

Die Koordination autonomer mobiler Roboterflotten (AMR) stellt eine zentrale Herausforderung der modernen Lagerautomatisierung dar. Während umfangreiche Forschung zu Multi-Roboter-Bewegungsplanung und Kollisionsvermeidung existiert, bleibt die Integration dynamischer Robotertreffen und Übergabevorgänge in realistische Planungs- und Evaluierungsframeworks eine offene Forschungsfrage. Insbesondere fehlen derzeit Benchmark-Szenarien, Leistungskennzahlen und wissenschaftlich fundierte Parametersätze, die industrielle Anforderungen realistisch abbilden.

Im Rahmen dieser Masterarbeit soll ein auf Experteninterviews basierendes Framework zur Evaluierung zukünftiger Planungsverfahren für AMR-Systeme mit dynamischen Robotertreffen entwickelt werden. Der oder die Studierende konzipiert und führt eine strukturierte Interviewstudie mit Expertinnen und Experten aus Industrie und Forschung durch, um realistische Betriebsbedingungen, relevante Leistungskennzahlen, repräsentative Lagerszenarien und geeignete Benchmarkkonfigurationen zu identifizieren. Die Auswahl und Vermittlung geeigneter Interviewpartner erfolgt durch den Lehrstuhl, sodass keine eigenständige Akquise erforderlich ist.

Die Interviews werden mithilfe einer wissenschaftlich fundierten qualitativen Forschungsmethodik ausgewertet. Auf Basis der gewonnenen Erkenntnisse sollen Benchmark-Szenarien, Parametersätze und Evaluierungskriterien für Probleme der Bewegungsplanung und dynamischen Robotertreffen formalisiert werden. Vorhandene Benchmarkinstanzen aus der Literatur werden dabei auf realistische logistische Anwendungsfälle übertragen und gegebenenfalls erweitert.

Ziel der Arbeit ist die Entwicklung eines reproduzierbaren und wissenschaftlich fundierten Evaluierungsframeworks, das zukünftige Forschung im Bereich Multi-Roboter-Koordination, Lagerautomatisierung und dynamische Treffpunktplanung unterstützt. Die Ergebnisse sollen in ein laufendes Forschungsprojekt einfließen und idealerweise die Grundlage für eine wissenschaftliche Veröffentlichung bilden.

Voraussetzungen:

Wir suchen eine motivierte Person, die Robotik, Logistik und wissenschaftliche Forschung miteinander verbinden möchte. Idealerweise bringst du Folgendes mit:

• Großes Interesse an Robotik, autonomen Systemen und Automatisierung von Intralogistik
• Erfahrungen mit Datenanalyse, qualitativen Forschungsmethoden und/oder Durchführung von Experteninterviews
• Ausgeprägte Kommunikationsfähigkeiten
• Fähigkeit zum selbstständigen Arbeiten sowie zur strukturierten Planung und Durchführung wissenschaftlicher Methoden

Die effiziente Koordination autonomer mobiler Roboter (AMR) erfordert zunehmend nicht nur eine kollisionsfreie Bewegungsplanung, sondern auch die Fähigkeit, dynamische Treffen und Übergaben zu planen und durchzuführen. Während bereits zahlreiche Verfahren zur Bewegungsplanung von AMR-Flotten existieren, sind realistische Evaluationsszenarien, Benchmarkinstanzen und Parametersätze für solche treffpunktbasierten Logistikprozesse bislang weitgehend unerforscht.

Im Rahmen dieser Bachelorarbeit wird untersucht, wie Expertinnen und Experten aus Industrie und Forschung realistische Einsatzbedingungen für AMR-basierte Lagerlogistiksysteme mit dynamischen Robotertreffen bewerten. Der oder die Studierende entwickelt einen Interviewleitfaden, führt Experteninterviews durch und wertet diese systematisch aus. Die Auswahl und Kontaktaufnahme der Interviewpartner wird durch den Lehrstuhl organisiert und unterstützt; die eigenständige Akquise von Expertinnen und Experten ist nicht erforderlich. Ziel ist die Identifikation relevanter Leistungskennzahlen, realistischer Parameterbereiche, Benchmarkanforderungen sowie repräsentativer logistischer Szenarien zur Bewertung zukünftiger Planungsverfahren.

Die gewonnenen Erkenntnisse werden systematisch analysiert und zur Ableitung von Empfehlungen für Benchmarkdatensätze und experimentelle Evaluationsumgebungen genutzt. 

Voraussetzungen:

Wir suchen eine motivierte Person, die Interesse daran hat, Logistik, Robotik und wissenschaftliches Arbeiten miteinander zu verbinden. Idealerweise bringst du Folgendes mit:

• Interesse an autonomen mobilen Robotern und Automatisierung in der Intralogistik
• Interesse an der Durchführung und Auswertung wissenschaftlicher Experteninterviews
• Gute Kommunikations- und Organisationsfähigkeiten
• Erste Erfahrungen mit Datenanalyse oder qualitativen Forschungsmethoden sind von Vorteil, aber nicht erforderlich

Deep learning models for 3D LiDAR perception generally require large volumes of manually annotated point clouds, and 3D bounding-box annotation is expensive, slow, and error-prone. As a result, self-supervised learning (SSL) is of interest to address this bottleneck by pretraining general-purpose point representations on unlabeled data, which can then be fine-tuned on small labelled sets. Most recent progress in this direction — including the Sonata architecture and its extension Vernata — has been developed and evaluated almost exclusively on outdoor, automotive-grade LiDAR data, using dense, high-channel-count sensors paired with RGB cameras. It is interesting to see if extending the method to logistics and warehouse robotics datasets with a different sensing regime: confined indoor spaces, sparse low-channel-count sensors, a small and fixed set of object classes (pallets, forklifts, transport platforms, boxes), and deployments that frequently lack a co-registered RGB camera, is feasible. Thus, this thesis proposes to reproduceVernata, a recent (IROS 2026) multi-modal, multi-teacher self-supervised distillation framework for LiDAR point clouds, and to systematically evaluate and adapt it for 3D object detection on the ANavS/KIT warehouse LiDAR dataset.