Informático

Die Hochschule Esslingen sucht zum nächstmöglichen Zeitpunkt **für die Fakultät Informatik und Informationstechnik **am Campus Flandernstraße eine:n Wissenschaftliche:n Angestellte:n für das Forschungsprojekt ViPer4AD mit dem Schwerpunkt "Foundation Models für Open-World Perception im automatisierten Fahren".

Aktuelle KI-Systeme für automatisiertes Fahren erreichen eine hohe Leistungsfähigkeit bei Verkehrssituationen und Objektklassen, die in ihren Trainingsdaten ausreichend repräsentiert sind. Seltene, ungewöhnliche oder bislang unbekannte Objekte und Ereignisse stellen heutige Perzeptionssysteme jedoch weiterhin vor große Herausforderungen. Im Forschungsprojekt ViPer4AD entwickeln und erforschen wir zusammen mit Projektpartnern neue Ansätze für eine robuste Videoperzeption im automatisierten Fahren. Ziel ist es, KI-Systeme zu befähigen, bislang unbekannte oder seltene Objekte und Ereignisse zu erkennen, neue Objektklassen semantisch zu erschließen und das neu gewonnene Wissen kontinuierlich in bestehende Modelle zu integrieren. Im Rahmen dieses Projekts verstärken wir unser Team am Institut für Intelligente Systeme (IIS). Sie arbeiten an der Schnittstelle von Computer Vision, multimodalen Foundation Models und kontinuierlichem Lernen und entwickeln neue Methoden für robuste KI-Perzeption in offenen Verkehrsumgebungen.

Unsere Rahmenbedingungen:

• Eingruppierung erfolgt entsprechend der Aufgabenübertragung und persönlicher Voraussetzungen bis Entgeltgruppe 13 TV‑L.
• Beschäftigungsumfang beträgt bis zu 100 %.
• Die Stelle ist zunächst bis 31.08.2028 befristet.

Ihre Aufgaben:

• Erforschung und Weiterentwicklung multimodaler Foundation Models und Vision-Language Models für Open-World Perception im automatisierten Fahren.
• Entwicklung von Methoden zur Out-of-Distribution Detection und Unsicherheitskalibrierung zur Erkennung unbekannter Objekte und unzuverlässiger Modellvorhersagen.
• Erforschung von Verfahren zur Novel Class Discovery und zur automatischen semantischen Einordnung neu entdeckter Objektklassen.
• Entwicklung von Continual-Learning-Verfahren zur inkrementellen Erweiterung bestehender Modelle.
• Systematische Evaluation und Analyse der entwickelten Verfahren auf realen und synthetischen Verkehrsdaten.
• Publikation und Präsentation der Forschungsergebnisse. 

Ihr Profil:

• Hervorragender Masterabschluss in Informatik oder einem verwandten Bereich.
• Fundierte Kenntnisse in Computer Vision und Machine Learning.
• Idealerweise Erfahrung in einem oder mehreren der folgenden Bereiche: Vision-Language Models, Foundation Models, Transformer-Architekturen, Open-Set/Open-World Recognition, Unsicherheitsmodellierung oder Continual Learning.
• Praktische Erfahrung im Training / Fine-Tuning aktueller Modelle mit modernen ML-Toolchains.
• Interesse an wissenschaftlicher Arbeit und der selbstständigen Bearbeitung anspruchsvoller Forschungsfragen. 

Wir freuen uns auf Ihre Bewerbung bis zum** 11.10.2026** über unser Online-Bewerbungsportal. Bitte geben Sie die Kennziffer IT/2617 an.

Die Hochschule Esslingen strebt in Bereichen, in denen Frauen unterrepräsentiert sind, die Erhöhung des Frauenanteils an und fordert daher qualifizierte Frauen ausdrücklich zur Bewerbung auf. Schwerbehinderte Personen werden bei entsprechender Eignung bevorzugt eingestellt. Die Teilung der Stelle ist bei entsprechender Bewerbungslage möglich. Die Hochschule Esslingen unterstützt ihre Beschäftigten mit zahlreichen Angeboten wie der Gesundheitsförderung, Personalentwicklung oder dem Jobticket. Um Familie und Beruf noch besser in Einklang zu bekommen, werden außerdem Maßnahmen im Rahmen der familiengerechten Hochschule® angeboten. Weitere Informationen erhalten Sie unter: https://www.hs-esslingen.de Die Informationen zur Erhebung von personenbezogenen Daten finden Sie hier: https://www.hs-esslingen.de/datenschutz/

Nuestros anuncios de empleo se dirigen siempre a todas las personas profesionalmente capacitadas, independientemente de su edad, sexo, origen, orientación sexual, discapacidad, religión, ideología, etc. La selección de los candidatos está orientada exclusivamente a la cualificación.Se reservan los errores de información y ortografía.