Senior Scientist Robotica en Deep Learning

Functieomschrijving

Wat ga je doen?

Software die net zo goed of zelfs beter dan de mens de omgeving om ons heen kan waarnemen is inmiddels geen fictie meer. Zulke software kan ons ondersteunen bij complexe, tijdrovende en gevaarlijke taken of deze zelfs volledig uit handen nemen. Helemaal als deze software wordt gecombineerd met hardware: slimme camera’s die meer zien dan een mens, of intelligente robots die bijvoorbeeld menselijk gedrag en objecten in hun omgeving kunnen herkennen.

Ben je gefascineerd door dit soort complexe systemen? Wil je op een praktische manier bijdragen aan de ontwikkeling van nieuwe baanbrekende toepassingen op het gebied van computer vision? Heb je de drive om praktische en maatschappelijke problemen op te willen lossen met geavanceerde technologie?

Als Senior Scientist in de researchgroep Intelligent Imaging werk je mee aan een variëteit aan projecten, in een variëteit van rollen. Voor deze functie ligt de focus op Robotica en Deep Learning. Als Senior Scientist verricht je onderzoek en ontwikkel je nieuwe, innovatieve kennis en technologie. Daarnaast voer je projecten uit (of leid je ze) waarbij onze kennis direct wordt toegepast bij klanten uit het bedrijfsleven, industrie en de overheid. Je werkt samen met experts en kan schakelen met klanten en partners om de beste oplossing te vinden voor een probleem. Je neemt initiatief in het verwerven van nieuwe projecten en het verder brengen van de kennispositie van TNO op dit gebied.

Jouw werkzaamheden zullen zich concentreren op het ontwerpen van beeldverwerking en -interpretatie-algoritmes ten behoeve van Robotica en/of Deep Learning systemen, het kiezen van de juiste frameworks om dit te realiseren en de implementatie hiervan in software tools voor het complexe systeem.

Specifiek voor het gebied van Deep Learning ga je samenwerken met Maarten Kruithof. Je maakt de verbinding met de universitaire wereld, pakt de regie over de strategie en schrijft aan EU voorstellen.

Vier concrete voorbeelden van mogelijke toepassingsgebieden:

1. Regie op hoeveelheid beelden: de hoeveelheid videobeelden die dagelijks wordt opgenomen is enorm. Vele duizenden camera’s langs de weg, sportvelden, in stadscentra, en winkels. Daarnaast is er een explosieve groei aan apparaten met een camera zoals smartphones, drones, robots en wearables. Binnen de groep Intelligent Imaging ontwikkelingen we machine (deep) learning technologie om deze enorme hoeveelheid video behapbaar te maken voor bijvoorbeeld cameraoperators die dag in dag uit drukke gebieden bewaken, zoals vliegvelden en stedelijke omgevingen.
2. Automatisch interpreteren van gedrag: de industrie en de agro&food markt heeft steeds meer behoefte aan slimme oplossingen om de productiviteit én kwaliteit te verbeteren. Wij ontwikkelen automatische systemen, van het automatisch interpreteren van gedrag van verkeersdeelnemers tot het opbouwen van een geometrisch correcte virtuele wereld zodat robots (op afstand) complexe reparaties uit kunnen voeren. De software die wij daarvoor ontwikkelen combineert bijvoorbeeld data uit visuele en andere sensoren en analyseert deze data op automatische wijze.
3. Social VR: communicatie vindt steeds meer ‘digitaal’ plaats. Elkaar kunnen zien heeft echter nog steeds vaak de voorkeur. Wat nu als het mogelijk zou zijn om elkaar wel virtueel (dus terwijl je fysieke afstand hebt) te treffen, maar om tegelijkertijd het idee te hebben dat je naast elkaar op de bank een film kijkt, of bijvoorbeeld met een groep in een vergaderzaal zit te vergaderen. TNO werkt aan deze zogenoemde ‘Social VR’, en de algoritmes die nodig zijn om de relevante informatie uit camera’s te halen die de mensen opnemen worden ontwikkeld door Intelligent Imaging.
4. Visuele inspecties: visuele inspecties om de conditie van infrastructuur vast te stellen zijn vaak tijdrovend, gevaarlijk en duur. Daarom werkt TNO aan inspectie- en monitoringssystemen die dit werk automatiseren. Voor Rijkswaterstaat heeft TNO een meetsysteem ontwikkeld die al rijdend met het verkeer mee een gedetailleerd 3D model van de weg opbouwt en daaruit automatisch de schade bepaalt. Voor Prorail ontwikkelen wij een bovenleidinginspectiesysteem. De data die uit deze meetsystemen komt is enorm; aan ons de uitdaging om daar de zinnige informatie uit te halen (met behulp van deep learning bijvoorbeeld).

Functie-eisen