Computer Vision, ML, Edge-KI, Embedded Systems, FPGA und Agentic-KI

5/2021 – 6/2026

Systemarchitekt für die durchgängige Entwicklung von Computer-Vision-, KI-Videowahrnehmungs- und Cloud-to-Edge-Systemen in kritischen Industriesektoren. Erfolgreiche Kombination aus tiefgehender technischer Umsetzung – wie maßgeschneiderten Deep-Learning-Modellen und visueller Echtzeit-Odometrie – und strategischem Geschäftserfolg, darunter die technische Leitung von Angeboten im Wert von über 35 Mio. €, die Einwerbung von knapp 1 Mio. € an Forschungsgeldern sowie Beiträge zu EU-Schienenverkehrs-Initiativen.

1. Wichtigste Beiträge & Technische Erfolge
End-to-End Computer Vision & Edge-KI: Entwicklung und Deployment spezialisierter CV-Systeme, darunter benutzerdefinierte YOLOv8-Modelle zur Gleisanomalie-Erkennung sowie Stereo-Visuelle-Odometrie (SVO) zur GPS-freien Zuggeschwindigkeitsmessung auf Embedded-GPUs (NVIDIA Jetson Xavier/Orin, ROS 2).

2. Multimillionen-Euro-Ausschreibungen & Strategie: Technische Gesamtverantwortung und Angebotserstellung für Ausschreibungen im Wert von über 35 Mio. €, inklusive CCTV-Lösungen für Bahnunternehmen (Siemens Mobility, Linz AG, Hitachi, Talgo) und Sicherheitssystemen für die IAEO (IAEA RCVD).

3. EU-Rail-Konsortium & Standards (R2DATO): Programmbeitrag zum EU Rail Joint Undertaking (ERJU) R2DATO Moving-Block-System – Definition von Anwendungsfällen und technische Abstimmung mit ÖBB, Deutscher Bahn und Frequentis.

4. Fördermittelakquise & Partner-Management: Erfolgreiche Einwerbung von knapp 1 Mio. € an kompetitiven Forschungsgeldern, Anforderungsanalyse komplexer Kundenvorgaben sowie Evaluation externer Hardware-Lieferanten.

5. Praxiserprobte System-Integration: Überführung von Konzepten (PoC) in den operativen Realeinsatz auf Schienensystemen – mit bis zu ~85 % Messgenauigkeit bei der visuellen Odometrie und automatisierter Cloud-Alarmierung via RESTful API (JSON/XML).

Machine Learning Engineer, Embedded Software, Hardware-Design, Opencv, Python-Programmierer, Pytorch, Requirements Engineer, Software Architecture, Solution Architekt

3/2017 – 4/2021

Als Technical Lead leitete ich die vollständige Entwicklung, den Teamaufbau und die kundenseitige Bereitstellung komplexer Embedded-Systeme. Ich steuerte den gesamten Lebenszyklus eines taktischen Echtzeit-Fahrzeugverfolgungssystems für mobile Plattformen sowie die Entwicklung eines hochzuverlässigen Single-Board-Computers (SBC) auf NXP QorIQ-Basis. Das Trackingsystem erkennt und verfolgt Objekte (Fahrzeuge, Personen, Tiere) zuverlässig bei Tag und Nacht unter komplexen Bewegungsszenarien und verwandelt jede mobile Plattform in einen autarken Trackingsensor.

1. Wichtigste Beiträge & Technische Erfolge
End-to-End-Produktlebenszyklus: Steuerung des taktischen Verfolgungssystems von der Datenerfassung und -annotation über die Algorithmenauswahl und das Modelltraining bis hin zum Embedded-GPU-Deployment und aktiven Feldversuchen.

2. Parallele Projektleitung: Verantwortung für die gesamte Hardware-, Firmware- und Softwareentwicklung zweier paralleler Projekte (NVIDIA-basiertes Vision-System & NXP QorIQ SBC) inklusive Meilensteinplanung, Task-Tracking und Ressourcenallokation.

3. Fortschrittliche Tracking-Architektur: Entwurf einer einheitlichen Multi-Klassen-Pipeline aus klassischer Bewegungsschätzung, KI-Erkennung, Kurz-/Langzeit-Tracking und Objekt-Speicher (Object Memory) zur Bewältigung von Verdeckungen, Hintergrundwechseln und Skalierungen.

4. Tag/Nacht-Invarianz & Hardware-Skalierbarkeit: Entwicklung einer einheitlichen Codebasis für die gesamte NVIDIA Jetson-Familie mit Nahtloser Tag-/Nacht-Leistung (EO/IR) für stationäre und mobile Einsatzszenarien.

5. Teamaufbau & Stakeholder-Management: Aufbau funktionsteilübergreifender Engineering-Teams von Grund auf (Recruiting, Interviews, Assessments) sowie direkte Abstimmung mit C-Level-Führungskräften (CEO/COO) und externen Kunden.

Computer Vision, Embedded Entwicklung / hardwarenahe Entwicklung, Embedded Linux, Machine Learning Engineer, Projektentwickler, Python-Programmierer, Pytorch, Requirements Engineer, Softwareentwickler Embedded Systems

12/2012 – 2/2017

Im Rahmen meiner Promotion habe ich ein unternehmensweites Framework zur Multi-Kamera- und Multi-Algorithmen-Tracker-Fusion erforscht, entwickelt und validiert, um eine kontinuierliche Zielzustandsschätzung in komplexen Videoüberwachungsnetzen zu gewährleisten. Durch die dynamische Integration räumlicher Kamera-Feeds und komplementärer Tracking-Pipelines überwindet die Plattform kritische Herausforderungen der Praxis – wie häufige Verdeckungen, unruhige Hintergründe, Bildrauschen und niedrige Kameraauflösungen – und erzielt eine deutlich höhere Trajektorienstabilität als isolierte Tracking-Modelle.

1. Wichtigste Beiträge & Technische Erfolge
Algorithmische Innovation & Peer-Reviewed-Publikationen: Entwicklung und Validierung neuartiger clusterbasierter Tracker-Fusionsalgorithmen, Evaluierungsmethoden und Fehlererkennungsmechanismen mit Veröffentlichungen in internationalen Fachzeitschriften.

2. Kameraübergreifende & Multi-Modell-Fusion: Konzeption einer einheitlichen Architektur, die mehrströmige räumliche Feeds mit unterschiedlichen Tracking-Algorithmen zusammenführt und so nahtlose Trajektorien-Handoffs sowie eine kontinuierliche Zustandsschätzung über große CCTV-Netzwerke hinweg ermöglicht.

3. Duale SOT/MOT-Funktionen: Integration von isoliertem Einzelziel-Tracking (SOT) und dichtem Mehrziel-Tracking (MOT) innerhalb einer einzigen End-to-End-Verarbeitungsarchitektur.

4. Empirische Validierung an Realdaten: Ausführlich anhand komplexer Überwachungsvideos aus der Praxis getestet, um den robusten Betrieb unter realen Einsatzbedingungen zu gewährleisten.

5. Quantifizierbare Leistungssteigerung: Erzielung einer Steigerung der Tracking-Genauigkeit und Zielwiedererfassung um ca. 90 % im Vergleich zu herkömmlichen, isolierten Tracking-Baselines.

Computer Vision, Opencv, Python-Programmierer