Fleet Orchestration Engineer - Neuraverse (Mensch)

Deine Mission \& Challenges

• Multi\-Roboter\-Task\-Allocation\-Algorithmen: Auction\-basiert (CBBA, Market\-based), MILP\-Solver für Offline\-Planung, Hungarian für einfaches Matching, Matching nach Robotik\-Fähigkeiten, Deadline\-aware Scheduling, Priority\-Queues


• Mission Decomposition: Facility\-Level\-Ziel („liefere 50 Tabletts von der Küche auf Ebene 3 bis 18:00“) pro Roboter Behavior\-Tree\-Skill\-Bundles \+ Cross\-Robot\-Dependency\-Graph \+ Übergabepunkte


• Fleet Traffic Management über statisches Geofencing hinaus: dynamische Korridor\-Zuweisung, Intersection\-Handling, geteilte Ressourcen (Ladestationen, enge Passagen, Aufzüge, Türen), Preemption\-Regeln


• Cooperative\-Task\-Primitives: synchronisierte Handoffs (Robot A legt ab, Robot B greift zeitlich abgestimmt), koordinierte bimanuale Tasks über zwei Roboter, Leader/Follower\-Formationen, Multi\-Robot Peg\-in\-Hole


• Fleet\-Level Performance Management: Durchsatz\-Dashboards, Auslastungs\-Balancing, SLA\-Tracking, prädiktives Rerouting bei langsamer werdenden Robotern


• VDA 5050 Master Mode: NEURA orchestriert NEURA\- und Third\-Party\-Roboter in eigenen Humanoid\-/Service\-Setups (Hospitality, Healthcare, Mixed\-Fleet\-Demos)


• VDA 5050 Client Interop Testing: Sicherstellen, dass NEURA\-Roboter sauber mit externen Fleet\-Systemen (Open\-RMF, Otto, MiR, Symovo) laufen – Protokoll selbst liegt beim Robot Connectivity Engineer


• Exponieren von atomaren Skill\-Primitives (MoveArmTo, Grasp, Release, Insert etc.) als typisierte NodeGraph\-Nodes – abgestimmt mit Motion Planning Engineers


• Design der Skill\-API: Port\-Schemas, Error\-Typen, Pre\-/Postconditions für externe Entwickler


• Pre\-Deployment Behavior\-Tree\-Simulation im Cognitive Twin – komplette Skill\-Trees vor Einsatz testen (Simulation kommt vom Digital Twin Team)


• NodeGraph\-Templates für Cooperative\-Task\-Primitives (Execution\-Vocabulary des Orchestrators)

• Hintergrund in Multi\-Roboter\-Systemen als Kernkompetenz – Erfahrung mit Task Allocation, Fleet Coordination oder Orchestrierung in Produktion (z. B. Open\-RMF, Locus, Otto, MiR, Symbotic, Geek\+, Boston Dynamics, klassische FMS)


• Sehr gutes Verständnis von MRTA\-Algorithmen: Auction\-based, MILP, Hungarian etc. inkl. NP\-Hardness und Trade\-offs


• Erfahrung in Distributed Systems: Consensus, Leader Election, Eventual Consistency, Fault Recovery


• VDA 5050 (v2\.0\+) auf Protokollebene: Order, instantAction, State, Visualization; Master\- und Client\-Mode


• Erfahrung mit BehaviorTree.CPP v4 und Groot2 für den NodeGraph\-Teil


• Python und C\+\+; sicher im Umgang mit Optimierungs\-Libraries (OR\-tools, Gurobi, CPLEX)

• Akademischer Background in Multi\-Robot Systems (RSS/ICRA/IROS, MRTA, Swarm, Fleet Coordination)


• Open\-RMF Maintainer oder relevanter Contributor (fleet\_adapter, dispatcher etc.)


• Erfahrung mit Cooperative Manipulation (bimanual über mehrere Roboter, Assembly etc.)


• Erfahrung mit kundenspezifischen FMS\-Adaptern (Integration in Otto, MiR, Locus, Symovo etc.)


• Grundverständnis Motion Planning (MoveIt2, OMPL), um Verhalten in Simulation zu bewerten


• Erfahrung mit Formal Verification / Model Checking für Behavior Trees


• ROS 2 (Jazzy oder Humble) – hilfreich, aber kein Muss; wichtiger sind Multi\-Robot\- und Distributed\-Systems\-Skills

Diese Anzeige stammt von indeed. Originalanzeige ansehen ↗