Taakverdeling tussen drones voor inspectie van zonneparken
Een vloot drones verdeelt de verkenning van een zonnepark onderling. De agents zijn getraind met maskable en recurrent PPO en geëvalueerd in AirSim.
- Python
- PPO
- AirSim
- Multi-agent RL
AI- en software-engineer in Utrecht. Ik train agents met reinforcement learning om vliegroutes te plannen, en schrijf de software die ze op echte drones laat vliegen.
Open voor stages, afstudeeropdrachten en functies als engineer
Heb je een bedrijf?AI-automatiseringen vanaf €750
Klik in het veld om het doel te verplaatsenTik in het veld om het doel te verplaatsen
Een gridwereld, live in je browser opgelost met value iteration. De oranje ring is het doel en is 1 waard. Elke stap ervandaan wordt verdisconteerd met γ = 0,97, dus de grootte van elke stip laat zien hoeveel dat vakje waard is.
Elke Bellman-sweep duwt de waarde één vakje verder naar buiten. Zodra de golf de drone bereikt, volgt die de greedy policy: vlieg altijd naar het buurvakje dat het meeste waard is. De gearceerde blokken en de tekst op deze pagina zijn muren. Klik ergens in het veld om het doel te verplaatsen.Tik ergens in het veld om het doel te verplaatsen.
01 / Werk
Onderzoeks-, team- en eigen projecten uit de afgelopen twee jaar, verdeeld over de vier gebieden waar ik de meeste tijd in steek. Kies er een om te filteren.
Eigen Gymnasium-omgevingen, recurrent en maskable PPO, en rewarddesign voor 3D-routeplanning en taakverdeling tussen meerdere agents.
Detectie van fiducial tags met OpenCV, gebouwd om realtime te draaien op de companion computer aan boord van een drone.
PX4 en ArduPilot via MAVLink, ROS 2 en Gazebo, in containers verpakt zodat een complete flight stack met één commando start.
Full-stack werk in TypeScript, Vue, PHP en Python, en MCP-servers waarmee taalmodellen echte tools kunnen gebruiken.
Een vloot drones verdeelt de verkenning van een zonnepark onderling. De agents zijn getraind met maskable en recurrent PPO en geëvalueerd in AirSim.
Tagdetectie met OpenCV voor autonome missies, plus een Docker-opzet die PX4 SITL, Gazebo en MAVLink samen opstart, zodat iedereen in het team tegen dezelfde simulator test.
Model Context Protocol-servers die taalmodellen gestructureerde toegang met afgebakende rechten geven tot bedrijfsdata en -acties, naast full-stack productwerk.
Bachelorscriptie, Universiteit Utrecht
Een eigen trainingsomgeving waarin een quadcopter leert doelen te bereiken in een 3D-ruimte vol obstakels. Ik vergeleek recurrent en maskable PPO en valideerde de policy’s daarna in Gazebo met ArduPilot via MAVLink.
Eigen project
Meerdere frameversies, ontworpen in Fusion 360, 3D-geprint en thuis in elkaar gezet. Het huidige 10-inch-platform vliegt stabiel en draagt een companion computer voor autonomie aan boord.
02 / Over mij
Ik ben masterstudent Artificial Intelligence & Engineering Systems aan de Technische Universiteit Eindhoven en computer vision engineer bij Drone Team Aero. Mijn werk zit waar leren en hardware samenkomen: agents die in drie dimensies plannen, perceptie die op een companion computer draait, en de simulatieomgevingen waarin je allebei test voordat er iets de lucht in gaat.
Daarvoor heb ik tweeënhalf jaar webproducten en automatiseringen gebouwd in Python, PHP en TypeScript. Die kant van het vak vind ik nog steeds belangrijk: heldere interfaces, betrouwbare pipelines en code die de volgende ontwikkelaar kan lezen.
03 / Cv
mrt 2026 – heden
Drone Team Aero, Eindhoven
nov 2025 – apr 2026
CleverMobi, Eindhoven
jun 2023 – dec 2025
VMNmedia, Zeist
feb 2015 – mei 2023
Horeca en sport
2025 – 2027
Technische Universiteit EindhovenGemiddeld 8,2
Vakken: ROS 2, Systeem- en regeltechniek, Natuurkunde, Deep learning
2022 – 2025
Universiteit UtrechtGemiddeld 7,4
Vakken: Machine learning, Calculus, Programmeren, Logica, Onderzoek, Schrijven, Presenteren
04 / Contact
Open voor stages, afstudeeropdrachten en functies als engineer in machine learning, robotica en UAV’s. Mailen is de snelste manier om me te bereiken.
nemoterbogt@gmail.com