Frischer Wind und neue Ideen

Das neue Robot Learning Lab nimmt seine Forschungstätigkeit auf.

Seit Dezember 2019 freut sich BrainLinks-BrainTools über die Einrichtung der neuen Juniorprofessur Robot Learning: Prof. Dr. Abhinav Valada ist Assistenzprofessor und Leiter des Robot Learning Labs an der Technischen Fakultät und Mitglied in BrainLinks-BrainTools an der Universität Freiburg. Er ist außerdem Mitglied im kürzlich eingerichteten Europäischen Labor für Lernen und Intelligente Systeme (ELLIS) an der Albert-Ludwigs-Universität Freiburg.

Valada promovierte in Informatik mit den Schwerpunkten Robotik und Maschinelles Lernen an der Universität Freiburg und wo er im Anschluss an seine Promotion als PostDok tätig war. Er war Mitbegründer und Director of Operations von Platypus LLC, einem Unternehmen, das autonome Roboterboote entwickelt. Zuvor war er am National Robotics Engineering Center und am Field Robotics Center der Carnegie Mellon University tätig. Er erhielt seinen MS in Robotics vom Robotics Institute der Carnegie Mellon University und BTech in Electronics und Instrumentation Engineering von der VIT University.

Er war einer der ersten Gewinner eines RSS-Pioneer Stipendiums auf der Robotics: Science and Systems Konferenz (RSS) 2018, ist Preisträger des Doctoral Consortium Award beim International Symposium on Robotics Research 2017 und ist Gewinner eines Chancellor's Scholarship in 2009.

Valada ist Associate Editor für die IEEE Robotics and Automation Letters und die IEEE International Conference on Robotics and Automation. Er ist auch Mitglied des Programmkomitees mehrerer hochrangiger Konferenzen wie der Europäischen Konferenz für künstliche Intelligenz (ECAI), der AAAI-Konferenz für künstliche Intelligenz (AAAI) und der Konferenz für Roboterlernen (CoRL).

 

Die Robot Learning Arbeitsgruppe http://rl.uni-freiburg.de

Das Robot Learning Lab unter der Leitung von Prof. Dr. Abhinav Valada ist Teil des Instituts für Informatik und des Zentrums BrainLinks-BrainTools. Wir möchten die Grundlagen der Wahrnehmung, Zustandsschätzung und Steuerung von Robotern mithilfe von Lernansätzen verbessern, damit Roboter in komplexeren Bereichen und in unterschiedlichen Umgebungen zuverlässig arbeiten können. Unser Fokus liegt auf der Entwicklung skalierbarer Systeme für lebenslanges Roboterlernen, die durch Interaktion mit der realen Welt anhand der verschiedenen Modalitäten und Erfahrungen, die sie wahrnehmen, kontinuierlich mehrere Aufgaben lernen.