Ich studiere Automatisierungstechnik und baue Systeme mit KI und Robotik.
Mich interessieren Reinforcement Learning, Physical AI und Systeme, die mit der realen Welt interagieren.
Bremen
Ich studiere seit Oktober 2024 dual Automatisierungstechnik. Die Theorie lerne ich an der Hochschule Bremen, die Praxisphasen verbringe ich bei KUKA.
Ich nutze Coding-Agenten wie Claude Code und Codex intensiv für die Implementierung. Ich konzentriere mich auf die Arbeit drumherum: Anforderungen, Systemdesign und Architektur, Experimente, Fehlersuche, Integration und die Prüfung, ob das System tatsächlich funktioniert.
Ich bringe mir gerade bei, wie man Modelle selbst trainiert. Angefangen habe ich mit Reinforcement Learning: erst ein Agent, der einen Stab auf einem Wagen balanciert (das Pendel oben auf der Seite), dann ein doppeltes Pendel. Jetzt geht es mit NVIDIA Isaac Lab weiter. Die Frage, die mich dabei beschäftigt: Wie bringt man einem Modell etwas so bei, dass es auch in Situationen klappt, die es nie gesehen hat?
Ich optimiere einen 3D-Drucker und habe dafür eine Kalibrierung des Düsen-Offsets selbst eingebaut. Das Projekt läuft noch.
Ein Assistent, der durch eine Kamera sieht, zuhört und antwortet. Alles läuft offline auf meinem Laptop, ohne Grafikkarte, ohne Cloud. Eine Bewegungserkennung weckt die Personenerkennung erst, wenn sich etwas tut. Die Spracherkennung bekommt nur Abschnitte, in denen wirklich gesprochen wird, weil Whisper bei Stille sonst Sätze erfindet. Ziel war: Er fängt nach weniger als drei Sekunden an zu sprechen.
Bild
Sprache
| Zeit bis zum ersten gesprochenen Wort | ~2,6 s (Ziel < 3 s) |
|---|---|
| Personenerkennung | 17,3 ms pro Bild (58 fps) |
| Sprachmodell | 17–19 Token/s |
| Hardware | Intel i7-13700H, 32 GB RAM, keine dedizierte GPU |
Python · faster-whisper · Piper TTS · lokales Sprachmodell · ONNX / DirectML
Entstanden beim Smart Region Hackathon Offenburg. Eine Plattform, auf der Versorger, Kommunen und Baufirmen ihre Tiefbaumaßnahmen abstimmen. Sie zeigt Konflikte, bevor dieselbe Straße zweimal aufgerissen wird. Nach dem Hackathon habe ich weitergebaut: Eine KI liest Anfragen aus PDFs oder Freitext aus und füllt das Formular vor, Freigaben laufen über einen Link ohne Account, dazu eine Karte und eine eigene Landingpage.
Anfragen
Next.js · TypeScript · PostgreSQL · Drizzle · MapLibre · LLM über OpenRouter
Wie spannt man eine Plane so, dass sie keine Falten wirft? Im Editor zeichnet man die Form, setzt Befestigungspunkte und startet die Simulation. Die Plane wird zu einem Feder-Masse-Netz, Falten erscheinen als Linien und werden über einen Faltenindex messbar. Ein Assistent schlägt dann Positionen für die Befestigungspunkte vor, bei denen die Plane glatter liegt.
JavaScript · Canvas · Feder-Masse-Simulation · eine einzige HTML-Datei
Ich kenne mich mit 3D-Druck gut aus und optimiere gerade zusammen mit KUKA einen Drucker. Dafür habe ich eine Kalibrierung des Düsen-Offsets selbst eingebaut.
3D-Druck · Kalibrierung
Das Tool, das ich von allen hier am meisten benutze. Tastenkombination drücken, sprechen, nochmal drücken, und der Text steht da, wo der Cursor ist. In Word, im Browser, im Code-Editor. Nachgebaut nach dem Vorbild von Wispr Flow, nur dass alles lokal läuft, nichts kostet und nichts ins Internet schickt.
Python · faster-whisper (small, int8, CPU) · Windows
Drei Automationen für kleine Firmen. Rechnungen aus PDFs auslesen und prüfen, ob die Positionen wirklich die Summe ergeben. Eingehende Mails sortieren und Antworten als Entwurf vorbereiten, nie automatisch senden. Preise und Lagerbestand in Onlineshops ohne API beobachten. Wenn die KI unsicher ist, entscheidet ein Mensch.
Rechnungen
n8n · LLM über HTTP · Google Sheets · Airtable · Slack · Gmail
A fully local voice-and-vision assistant running on an ordinary laptop, with a focus on perception, conversational latency, benchmarking and the engineering failures behind a sub-3-second response target.
Python · YOLO11n · onnxruntime-directml · llama.cpp · Gemma 3 4B · faster-whisper · Silero VAD · Piper TTS · FastAPI
Mai 2026
Daraus entstand Baulify.
Gruppiert danach, wofür ich sie tatsächlich eingesetzt habe.