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)

Auf was können wir uns freuen

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)

Nice to have

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