Masterarbeiten, Bachelorarbeiten und verwandtes

Damit die z.T. echt wertvollen studentischen Arbeiten, die ich betreuen darf, nicht einfach im nirgendwo verschwinden, möchte ich hier kleine Auszüge wiedergeben – mit Einverständnis der Studierenden natürlich.

Die früheren Themen befassten sich vor allem mit Robotik, die neueren Themen mit angewandter KI im industriellen Umfeld.

Bei Interesse kann ich einige der Arbeiten direkt herausgeben, bei anderen den Kontakt zu den Studierenden herstellen.

Liste der aktuellen Arbeiten 2022+

• Fertigungsplanung mit Sonderfällen, 2026 – more to come
• KI-gestützte Strategie-Findung für den Mittelstand, 2026 – more to come
• Hybrid RAG im Härtetest: Graph vs. Vektor bei komplexen Industriellen Use-Cases, 2026, V.Raput
• LLM für das gesamte V-Modell?, 2023, H.Gu
• Framework zur Applikation von Landwirtschaftsrobotern, 2023, Z.He
• Serviceroboter mit Taskplanung und Fahrstuhlnutzung, 2022, J.Gong
• Begleitroboter für Reisende, 2022, Y.Nan

Hybrid RAG im Härtetest: Graph vs. Vektor bei komplexen Industriellen Use-Cases, V.Rajput, 2026

AI-driven Multi-source Retrieval and Project Assessment Using Graph and Vector Hybrid Models in Regulatory Contexts

Klassische, rein vektorbasierte RAG-Systeme stoßen bei hochkomplexen Industriestandards, Gesetzestexten und Multi-Dokumenten-Analysen schnell an ihre Grenzen. Die Masterarbeit von V. Rajput (2026) untersucht empirisch, wie die Kombination aus Vektoreinbettungen und strukturierten Knowledge Graphs (Graph RAG) die Präzision und Nachvollziehbarkeit in regulatorischen Kontexten verbessert.

• Architektur-Vergleich: Vektor-RAG vs. Graph-RAG (Neo4j) vs. Graph-RAG mit gezieltem Dokumenten-Filter.
• Empirische Basis: Evaluation anhand von 300 quantitativen Testfragen in 20 Fragen-Klassen sowie qualitativen Stresstests in extremen Corner Cases (z. B. Sprachbrüche, Versionsvergleiche, Audit-Fragen).
• Haupterkenntnisse:

1. Während Vektor-RAG bei einfachen Faktenabfragen konkurrenzfähig ist, dominiert Graph-RAG bei komplexen, dokumentenübergreifenden und interpretativen Fragestellungen.
2. Kein ‘generisches’ RAG ist in der Lage, in allen Klassen gute Ergebnisse zu liefern. Es muss auf die Dokument- und Fragentypen angepasst werden.
3. Die Fragen selbst sind essentiell, den zum Einen enthalten sie Instruktionen, die das RAG stören, zum anderen hat der Mensch bei der Frage schon einen kleinen Prozess im Kopf, den die KI erkennen muss

Die Ergebnisse im Detail: Wo Graph-Strukturen den Unterschied machen

Regulatorische Dokumente (wie ISO-Normen oder der EU AI Act) leben von Hierarchien, Querverweisen und strukturierten Daten (z. B. Tabellen). Die Arbeit zeigt, wie eine hybride Wissensrepräsentation die Schwächen reiner Ähnlichkeitssuchen ausgleicht:

1. Hierarchische Modellierung & Dokumenten-Filterung

Das Graph-System bildet Dokumente, Kapitelstrukturen und Inhalte explizit in einer Neo4j-Datenbank ab. In Kombination mit einem Reranking-Mechanismus (Cross-Encoder) erzielt Graph RAG mit Dokumenten-Filterung die höchste Genauigkeit. Durch die gezielte Einschränkung des Kontextes auf relevante Quelldokumente wird das Abfrage-Rauschen drastisch reduziert und Halluzinationen minimiert.

2. Performanz in Stresstests & Corner Cases

In der qualitativen Analyse wurden gezielt schwierige Szenarien geprüft:

• Versions- und Zeitvergleiche: Fragen wie der zeitliche Vergleich zwischen Gesetzesentwürfen und finalen Richtlinien scheitern oft bei Vektor-RAG, da der Kontext unvollständig gegriffen wird. Graph-RAG nutzt die Kapitel- und Dokumentbeziehungen, ruft beide Datenquellen korrekt ab und ermöglicht präzise Vergleiche.
• Audit- & Multi-Dokumenten-Aufgaben: Bei der Generierung von Prüffragen (z. B. für ISO 9001) oder der Extraktion über mehrere Dokumente hinweg sorgt die graphbasierte Pfadverfolgung für eine deutlich höhere Vollständigkeit.
• Grenzen von Vektor-RAG: Rein semantische Suchen versagen häufig bei strukturierten Listenabfragen über ein gesamtes Dokument hinweg oder wenn Antworten nicht explizit als Fließtext, sondern nur implizit vorliegen.

3. Methodische Lerneffekte: Query Reformulation & Metriken

• Query Reformulation: Längere, anweisungsreiche Abfragen verschlechtern die Retrieval-Qualität durch Rauschen. Eine Trennung in einen Kern-Suchstring für das Retrieval und die vollständige Instruktion für die LLM-Generierung steigerte die Trefferquote spürbar.
• Metriken-Kritik: Automatische Metriken wie Context Recall stoßen bei implizitem Wissen oder synthetischen Audit-Fragen an ihre Grenzen. Hier zeigte sich die Notwendigkeit von modellbasierten Bewertungen (LLM Rating) als komplementärem Evaluierungsansatz.

4. Grenzen und Rechenaufwand

Der Leistungsgewinn von Graph RAG erkauft sich das System durch eine höhere Rechenkomplexität (Graph Traversierung und Reranking). Zudem bleiben OCR-Ungenauigkeiten beim Einlesen komplexer Tabellen ein Schwachpunkt, der in Einzelfällen zu fehlerhafter Markdown-Generierung führte.

👉 Fazit: Die Masterarbeit liefert ein starkes Plädoyer für hybride Retrieval-Architekturen. Wenn Informationsintegrität, Nachvollziehbarkeit und strukturelle Zusammenhänge in regulierten Branchen nicht verhandelbar sind, ist der Einsatz von Graph RAG in Verbindung mit strukturierter Dokumenten-Filterung der Schlüssel zu verlässlichen KI-Assistenten.

LLM für das gesamte V-Modell?, 2023, H.Gu

Möglichkeiten und Limitierungen beim Einsatz von Large Language Models im SoftwareEntwicklungsprozess nach dem V-Modell

LLM meets V-Modell: Effizienzgewinn oder Illusion?

Kann ein Large Language Model den kompletten Softwareengineering-Zyklus nach dem V-Modell begleiten? Die Masterarbeit von H. Gu (2023) liefert empirische Antworten anhand konkreter Anwendungsfälle aus der Robotik.

• Systementwurf: Von der Anforderung zur Funktionalität – LLMs helfen beim Aufdecken „blinder Flecken“ in der Systemarchitektur.
• Code-Generierung & Testen: Schnelle Prototypen in Gazebo, aber bei komplexer Logik steigt die Fehlerquote deutlich.
• Wissensmanagement: Integration von Kontextdaten über LlamaIndex sichert Aktualität im Entwicklungsalltag.

Die Praxisgrenzen von LLMs in der Softwareentwicklung: Ein Blick in die Details

Large Language Models versprechen schnellere Entwurfsphasen, automatisierte Codegenerierung und effizientes Refactoring. Aber wie schlagen sich Modelle wie GPT und Co. eigentlich in einem stark strukturierten Prozess wie dem klassischen V-Modell?

In der Arbeit wird der gesamte Entwicklungszyklus durchgespielt – von der ersten Idee bis zum lauffähigen Code. Die Ergebnisse zeigen ein klares Bild davon, an welchen Stellen LLMs echte Beschleuniger sind und wo die Grenzen der Technologie liegen:

1. Anforderungsanalyse & Architekturentwurf (Linker Schenkel)

LLMs glänzen als Sparringspartner beim Überführen von Anforderungen in Funktionalitäten. Am Beispiel eines Roboterdesigns zeigt sich: Das Modell deckt blinde Flecken auf und liefert detaillierte Denkimpulse in der Erstphase.

• Limitierung: Das Modell berücksichtigt keine physikalischen Grenzen oder reale Hardware-Verfügbarkeiten.

2. Codierung & Iteratives Testen (Wendepunkt & Rechter Schenkel)

Bei einer Gazebo-Robotiksimulation beschleunigte das LLM die Implementierung spürbar. Auch der Testzyklus profitiert: Laufzeitfehler werden direkt an das Modell zurückgespielt, um iterativ korrigierten Code zu erzeugen.

• Limitierung: Während kurze Skripte und Standard-Bibliotheken gut funktionieren, steigt die Fehlerquote bei komplexer Logik drastisch – manuelles Review bleibt Pflicht.

3. Kontext-Integration via LlamaIndex

Über RAG-Mechanismen (Retrieval-Augmented Generation) mit LlamaIndex lassen sich externe Projektdokumente einbinden. Das hält die Wissensbasis aktuell, ohne das Grundmodell zeitaufwendig neu trainieren zu müssen.

4. Governance & Datenschutz

LLMs ersetzen keine normgerechte Recherche bei strikten Regulierungen. Zudem erfordert der Einsatz klare Leitplanken, um das Abfließen von internem Know-how und Betriebsgeheimnissen zu verhindern.

Framework zur Applikation von Landwirtschaftsrobotern, 2023, Z.He

Framework zur Vereinfachen der Applikation und Inbetriebnahme von innovativen Landwirtschaftsrobotern

Der Einsatz von Robotik in der Landwirtschaft scheitert in der Praxis oft an einer hohen technischen Einstiegshürde. Da Agrarumgebungen stark variieren, existieren kaum standardisierte Prozesse für die Software-Inbetriebnahme und die tägliche Bedienung. Diese Arbeit stellt ein durchgängiges, prozessorientiertes Framework vor, das den Bereitstellungsaufwand für Dienstleister minimiert und die Nutzung von Agrarrobotern für Endanwender ohne IT-Vorkenntnisse radikal vereinfacht.

Prozessablauf und praktischer Nutzen des Frameworks:

• Strukturierte Dienstleister-Pipeline: Das Framework definiert einen klaren Ablauf von der Hardware- und Sensorauswahl über die Modellierung des Roboters bis hin zur automatisierten Kartierung der landwirtschaftlichen Zielumgebung.
• Effiziente Kartenerstellung (SLAM): Unter Verwendung des Rtabmap SLAM-Ansatzes wird eine Echtzeit-Umgebungskarte generiert. Die Arbeit zeigt die erfolgreiche Speicherung von 2D- und 3D-Karten sowie deren Konvertierung in das PointCloud2-Format zur nahtlosen ROS-Integration.
• Einfache Pfadanpassung für Landarbeiter: Endanwender müssen den Roboter weder manuell steuern noch Programmierkenntnisse besitzen. Über die ROS-Schnittstelle 2D Nav Goal in Rviz werden Zielpunkte intuitiv angeklickt, automatisch in einer CSV-Datei gespeichert und im Hintergrund zu einer fahrbaren Kostenkarte für das Navigationspaket (move_base) zusammengeführt.
• Nutzerzentrierte GUI (Flask/HTML5): Eine entwickelte grafische Benutzeroberfläche unterteilt die Bedienung in zwei klare Modi: Einen Graph-Modus zur einfachen Routenerstellung und einen Task-Modus zur direkten Auswahl und Ausführung vordefinierter landwirtschaftlicher Aufgaben.

Ergebnisse und Ausblick:

Der Schwerpunkt dieser Arbeit liegt bewusst auf dem prozessualen Rahmen und der Benutzerführung, nicht auf der Optimierung einzelner Navigationsalgorithmen. Die Validierung erfolgte erfolgreich in einer simulationsbasierten Testumgebung (Gazebo und Rviz). Als direkter nächster Schritt für die Praxisübertragung ist die Portierung der Steuerungssoftware auf ein kompaktes Entwicklungsboard (z. B. Raspberry Pi) zur Erprobung auf realen Agrarrobotern vorgesehen.

Serviceroboter mit Taskplanung und Fahrstuhlnutzung, 2022, J.Gong

Entwurf und Umsetzung der Steuerungssoftware für einen etagenübergreifenden Postroboter

Der Einsatz von Servicerobotern in Innenräumen wie Hotels oder medizinischen Einrichtungen scheitert beim Etagenwechsel oft an den Kosten für eine digitale Kopplung mit der Aufzugssteuerung. Zudem fehlt es an herstellerübergreifenden Standards für solche Schnittstellen. Diese Arbeit beschreibt die Entwicklung eines Postroboters, der Aufzüge ohne Netzanbindung rein mechanisch und visuell bedient – analog zu einem menschlichen Nutzer. Das System wurde auf einer experimentellen Plattform der NISAR implementiert und validiert.

Technische Kernkomponenten und praktischer Nutzen:

• Infrastrukturunabhängiger Einsatz: Da der Roboter die vorhandenen Bedienelemente direkt nutzt, entfallen teure Umbauten oder Softwareanpassungen an den Aufzugsanlagen des Gebäudes.
• Visuelle Tastenerkennung: Über ein Template-Matching-Verfahren (validiert mittels CCOEFF-Methode) erfasst das Kamerasystem die Aufzugstasten und transformiert die Bildkoordinaten in dreidimensionale Raumkoordinaten.
• Aktorische Bedienung: Auf Basis des MoveIt-Frameworks wurde eine Kinematiksteuerung entwickelt, die den Roboterarm sowohl in der Simulationsumgebung als auch an der realen Hardware präzise zur Zieltaste führt.
• Integrierte Aufgabenplanung: Ein übergeordnetes Planungsmodul verwaltet Transportaufträge für Briefe und Pakete, ermittelt die Etagenposition des Aufzugs und koordiniert die Multi-Etagen-Navigation.

Ergebnisse und Systemoptimierung:

Die Arbeit evaluiert die Genauigkeit des Erkennungsverfahrens sowie die Erfolgsquote der physischen Tastenbedienung im Versuch. Die Tests bestätigen die prinzipielle Machbarkeit des etagenübergreifenden Transports. Abschließend werden konkrete Optimierungsschritte für den industriellen Serieneinsatz aufgezeigt, wie der Übergang zu einem flexibleren 6-DOF-Roboterarm und einem Multi-Kamera-System zur Reduzierung von Positionierungsabhängigkeiten.

Begleitroboter für Reisende, 2022, Y.Nan

Entwurf der Steuerungssoftware für einen Serviceroboter zum Begleiten von Reisenden an Flughäfen

Große, hochfrequentierte Verkehrsflächen wie Flughäfen stellen die autonome Navigation vor immense Herausforderungen. Reine Standard-Algorithmen stoßen in solch offenen Szenarien schnell an ihre Grenzen. Diese Bachelorarbeit packt dieses Problem direkt an der Schnittstelle zur industriellen Praxis an: Entwickelt wurde eine maßgeschneiderte, robuste Steuerungssoftware für einen mobilen Serviceroboter, der Reisende autonom begleitet und beim Gepäcktransport unterstützt.

Vom Use Case zur technischen Umsetzung:

• Maßgeschneiderte Navigationsarchitektur: Standardmäßige, rein grid-basierte 2D-Navigationsmodelle (wie die ROS-eigene Costmap) versagen oft in weitläufigen Hallen. Die Arbeit löst dies durch ein erweitertes Navigationsmodell basierend auf einer gerichteten Roadmap in Kombination mit benutzerdefinierten Kostenwerten und einer deliberativen lokalen Echtzeit-Pfadplanung.
• Drei dynamische Betriebsmodi: Implementierung eines autonomen Navigation Mode (unter Beachtung von Verkehrsregeln und Hindernissen), eines Guiding Mode (aktives Führen des Passagiers) sowie eines Following Mode (zuverlässiges Verfolgen des Nutzers).
• Sensorik & Hardware-Integration: Einsatz eines Echtzeit-Lokalisierungssystems auf Basis von UWB-Technologie (Ultra-Wideband) für dynamisches Target-Tracking sowie die mathematische Definition der kinematischen Parameter und Antriebssysteme.
• Taskmanagement: Entwicklung einer webbasierten Bedienoberfläche (GUI) mittels Flask (Python) und HTML5 zur intuitiven Verwaltung von Multitasking-Prozessen, Moduswechseln und der direkten Veröffentlichung von Navigationszielen (Goals-Publishing).

Lessons Learned aus der Entwicklung:
Die Arbeit schließt nicht mit theoretischen Idealwerten ab, sondern bietet eine kritische und ehrliche Reflexion der Simulations- und Testergebnisse. Neben hervorragend funktionierenden Komponenten (wie der benutzerdefinierten Costmap) wird auch die industrielle Realität der UWB-Datenverarbeitung ungeschönt analysiert: Warum die Technologie in der Praxis unbeständige Daten liefern kann und wie algorithmische Optimierungen (z. B. der Wechsel von TOF zu TDOA) sowie clevere Simulations-Datenquellen Meilensteine für die reale Systemreife setzen.

Eine Arbeit aus der Praxis für die Praxis – ein fundierter Beitrag zur Evolution autonomer Assistenzsysteme in der modernen Reiseinfrastruktur.