Studium der Elektro- und Informationstechnik am Karlsruher Institut für Technologie 
(KIT) mit der Vertiefungsrichtung Regelungs- und Steuerungstechnik. Aktive Mitgliedschaft im Formula Student Team KA-RaceIng in den Saisons 2016 und 2017. Bauteilverantwortung für die Datenerfassung (Data Acquisition) in der Saison 2016. Teamleitung der Elektronikentwicklung in der Saison 2017. Praktikum bei Mercedes-AMG in der Entwicklung von High-Performance-Hochvoltbatterien. Bachelorarbeit zur elektro-thermischen Modellierung und Leistungsoptimierung von hochleistungsgekühlten Hochvoltbatterien für Hybridfahrzeuge (2019). 

Praktische Tätigkeit am FZI Forschungszentrum Informatik zur Funktionsentwicklung für Visualisierungen von Fahrerassistenzfunktionen (2020). Forschungsaufenthalt an der University of Waterloo in Kanada. Masterarbeit zum Thema „Cooperative State Estimation for Autonomous Mobile Robots" (2022). 

Wissenschaftlicher Mitarbeiter seit Juni 2022 in der Abteilung Control in Information Technology (CIT) am FZI Forschungszentrum Informatik, Bereich Embedded Systems and Sensors Engineering (ESS). Forschungsschwerpunkt Navigation autonomer mobiler Roboter in Umgebungen mit Menschenmengen auf Basis von Deep Reinforcement Learning (DRL). 

Abteilungsleiter seit Juli 2026 der Abteilung CIT im Bereich Embedded Systems and Sensors Engineering (ESS). Gemeinsamer Forschungsschwerpunkt der Abteilung mit Prof. Dr.-Ing. Sören Hohmann liegt auf der Bewegungsplanung autonomer Robotersysteme im Kontext der Mensch-Roboter-Interaktion mit KI-basierten und klassischen Methoden.  

Sozial integrierte Navigation autonomer Roboter 

Autonome mobile Roboter bewegen sich zunehmend im selben Raum wie Menschen und übernehmen deren Aufgaben. Bestehende Deep-Reinforcement-Learning-Ansätze (DRL) zeigen dabei ein fest vordefiniertes soziales Verhalten und behandeln Menschen als Hindernisse statt als Individuen mit eigenen Zielen und Präferenzen.  Meine Forschung hat diese Lücke durch einen sozial integrierten (Socially Integrated, SI) Navigationsansatz geschlossen. Ein sozial integrierter Roboter hat gelernt, sich aus der Interaktion mit Menschen heraus an deren Präferenzen anzupassen. Der Ansatz ist dabei ein Perspektivwechsel in der Navigation in dynamischen Systemen und übertrifft lern- und nicht-lernbasierte Referenzmethoden im aktuellen Stand der Technik hinsichtlich der Navigationseffizienz und Anpassungsfähigkeit. Der neue Ansatz und Perspektivwechsel sind ein weiterer Schritt zu einem skalierbaren und von Menschen akzeptierten Einsatz von autonomen Robotern.  

Bewegungsplanung robotischer Systeme

Die aktuelle Forschung beschäftigt sich mit hardwareagnostischer Bewegungsplanung für robotische Systeme in unstrukturierten Umgebungen. Eine gemeinsame Schnittstelle verbindet dabei mobile Plattformen und Laufroboter mit Planungsmethoden wie Model Predictive Control (MPC), Deep Reinforcement Learning (DRL) oder Vision-Language-Action-Modellen (VLA). Anwendungsfelder reichen von der Intralogistik über unwegsames Gelände bis zu urbanen Umgebungen.