07.09.2026 aktualisiert

**** ******** ****
Premiumkunde
100 % verfügbar

Senior Embedded Software Developer & Architect mit Functional-Safety- und AI-Agentic-Kompetenz

Glienicke/Nordbahn, Deutschland
Nur Remote
Diplom-Ingenieur (FH)
Glienicke/Nordbahn, Deutschland
Nur Remote
Diplom-Ingenieur (FH)

Profilanlagen

Profil-Mike-Netz-2026Q3-V2.docx

Über mich

Senior Embedded Software Developer & Architect: ARM Cortex-M · RTOS · Functional Safety · C/C++23 · Edge AI · Agentic-AI SDLC · Eigenes OOA/OOD AI-Agentic Microcontroller Framework · Python

Skills

Embedded C++Embedded SystemsEmbedded BetriebssystemeEmbedded Software
Profil

Diplom-Ingenieur (FH) mit über 20 Jahren Erfahrung in der Architektur, Entwicklung und Integration von Embedded-Software in Automotive, Industrie und Verkehrstechnik.

Schwerpunkte:
  1. Architektur, Design und Entwicklung von Embedded-Software in C/C++ (bis C++23)
  2. Firmware- und Systementwicklung für ARM Cortex-M basierte Embedded-Systeme
  3. Umsetzung funktionaler Sicherheit (ISO 26262, EN 13849, EN 60730)
  4. Entwicklung RTOS-basierter Systeme (ThreadX, MicroC/OS)
  5. Integration und Deployment von Edge-AI-Modellen auf Embedded-Systemen
  6. Modellierung mit SysML/UML (OCSMP)
  7. Teststrategie und Verifikation (ISTQB Advanced)
Ich verbinde Systemdenken, Safety-Engineering und moderne KI-Methoden zu robusten, produktionsreifen Embedded-Systemen / Edge-AI-Systemen. Arbeite mit einem eigenen OOA-OOD-AI-Agentic-Microcontroller-Framework (Agentic-AI SDLC).

Aktuelle Schwerpunkte (2024–2026)
  1. Architektur eines zentralen Lüftungs- und Klimasteuergeräts (STM32H7, C++23, ThreadX, Modbus, Ethernet / MQTT)
  2. Entwicklung einer Laufzeitumgebung für neue NXP-Plattform
  3. KI-basierte vorausschauende Wartung auf Embedded-Systemen
  4. Agentic Software Development Life Cycle (Agentic SDLC / KI-gestützte Codegenerierung)

Qualifikationen
  1. Diplom-Ingenieur Elektrotechnik (FH)
  2. OCSMP (SysML)
  3. ISTQB Advanced Level Test Manager
  4. TÜV Functional Safety (ISO 26262)
  5. Udacity: Robotics ROS & Computer Vision
Arbeitsweise
  1. Systemisch und architekturgetrieben
  2. Safety- und Qualitätsfokus
  3. Test- und Verifikationsstark
  4. Schnittstelle zwischen Embedded, Safety, KI und Projektmanagement

Technologische Schwerpunkte

Embedded Systems
  1. ARM Cortex-M (STM32, NXP iMX RT)
  2. Treiberentwicklung (SPI, CAN, I2C, DMA, ADC, PWM)
  3. Modbus-RTU, MQTT, Ethernet (NetX Duo)
  4. IEC 60730 Class B Libraries
  5. MISRA-C / C++ Core Guideline
  6. UnitTest / GoogleTest

Functional Safety
  1. ISO 26262 (ASIL-D)
  2. EN 13849
  3. EN 60730
  4. Sicherheitskonzepte, Nachweisführung, Auditvorbereitung

Architektur & Design
  1. C++17 / C++23 für Mikrocontroller
  2. Qt + QML für Edge-Devices
  3. RTOS-Design und Analyse (TraceX)
  4. Software-Architektur mit UML/SysML
  5. BDD (Gherkin), Doxygen
  6. Agentic SDLC / KI-unterstützte Entwicklung

Edge AI & Data Science
  1. Python, PyTorch, TensorFlow, Keras
  2. Scikit-Learn, OpenCV
  3. CNN, LSTM, Unsupervised Learning
  4. Modelltraining → Deployment auf MCU (STM32Cube.AI)
  5. Integration in C++-Firmware

Erfahrung

Berufserfahrungmehr als 10 Jahre
Freelancer seit2003

Sprachen

DeutschMutterspracheEnglischgutSpanischgut

Projekthistorie

Firmware: Software für funktionale Sicherheit integrieren und Implementieren

TQ-Systems

Industrie und Maschinenbau

1000-5000 Mitarbeiter

Programmierung der Software und Technik:

Umfang
- Integration der X-CUBE-STL (IEC61508, SIL2/SIL3) einschließlich Unittest und einer statistischen Laufzeituntersuchung.
- Implementierung ECC für SRAM und Flash einschließlich Tests
- Implementierung Treiber für Flash + Flash-EEPROM-Emulation
- Integration Tiny-USB-Treiber für Download von Programmdaten in den Flash
- Implementierung eines Ringpuffers im Flash-EEPROM für Diagnosedaten
- Unittests + Dokumentation in Polarion


Technik
- MCU: STM32H5
- IDE: Visual Studio Code
- DevOps: Gitlab
- Dokumentation: Polarion (Entwurf), Doxygen (Code)
- Versionierung: Git
- KI-Unterstützung: LLMs

PRIVAT: TouchGFX-MCU-Software (Firmware) mittels KI-Agenten entwickelt

Privat - Eigenes Projekt

Sonstiges

< 10 Mitarbeiter

Aufgabe

Ich entwickle Software systematisch in enger Zusammenarbeit mit KI-Agenten, wobei der Mensch die Architektur, Anwendungsfälle und Qualitätsmaßstäbe vorgibt.
  1. Ziel ist eine klare, testbare und strukturierte Softwareentwicklung, in der KI-Agenten gezielt Aufgaben übernehmen und beschleunigen..
  2. Im Mittelpunkt stehen saubere Schnittstellen, automatisierte Tests und eine durchgängige Benutzersicht. So entsteht ein Entwicklungsprozess, in dem Mensch und KI als abgestimmtes Team hochwertige Software liefern.
Programmierung der Software und Technik

Projekt 3: Kaffeemaschinen-Demonstrator für das Board STM32H750B-DK:
  1. Interner Bootloader im internen Flash
  2. XIP-Anwendung im externen QSPI-Flash
  3. Framebuffer im externen FMC-SDRAM
  4. LTDC-Display mit FT5336-IC2-Touch
  5. TouchGFX-Benutzeroberfläche mit Touch-Eingang
  6. UART-basierte Entwicklerdiagnostik
  7. Model-View-Presenter-Patern
  8. Unittest: GoogleTest und GMock
  9. Systemtest: pytest, pyserial, pytest-html
  10. USB-CDC / COM Systemtestkanal
AI Agent:
ChatGPT Codex arbeitete direkt auf meinem Entwicklungsrechner mit dem Git-Projekt.

Github:
embmike/coffe_machine

Wie NotebookLM diese Software bewertet:
"Das Projekt ist kein Spielzeug, sondern ein technischer Demonstrator für das STM32H750B-DK Board. Es eignet sich hervorragend als Vorlage, wenn man verstehen will, wie professionelle Embedded-Systeme mit Touch-Displays architekturell aufgebaut sind, auch wenn es keine echte Hardware wie Pumpen oder Ventile steuert"

PRIVAT: Entwicklung eines OOA/OOD AI-Agentic Microcontroller Frameworks

Privat - Eigenes Projekt

Sonstiges

< 10 Mitarbeiter

Eigenes Framework für eine KI-gestützte Entwicklung von Embedded-Software und Firmware.

Ziel war die Entwicklung eines strukturierten Vorgehensmodells, mit dem Anforderungen, Architektur, Tests, Implementierung und Dokumentation systematisch durch die Zusammenarbeit von Entwickler und KI-Agenten entstehen. Technische Anforderungen und Qualitätskriterien werden dabei als Arbeitsauftrag formuliert und durch rollenbasierte KI-Agenten in Architektur, Tests, Implementierung und Dokumentation umgesetzt.

Schwerpunkte:
  1. OOA/OOD-basierte Softwareentwicklung
  2. Agentic Software Development Lifecycle (SDLC)
  3. KI-Agenten für Analyse, Architektur, Implementierung, Test und Review
  4. Traceability von Anforderungen bis zum Test
  5. Architektur-, Test- und Dokumentationsartefakte
  6. Integration in Git- und DevOps-Workflows
Validierung anhand mehrerer Referenzprojekte:
  1. Qt/QML-Wetterstation mit C++, Qt 6 und QML
  2. TouchGFX-Firmware für STM32H750B-DK
  3. Unit-Tests mit GoogleTest/GMock
  4. Systemtests mit pytest und pyserial
Die Referenzprojekte wurden mit OpenAI Codex umgesetzt. Aktuell erfolgt eine Evaluierung der Tabnine Agentic Platform für unternehmensinterne Entwicklungsumgebungen mit Fokus auf Agentic SDLC, MCP, Modellwahl, Code Privacy, Zero Data Retention sowie On-Premises- und Air-Gapped-Deployment.

Technologien: C/C++23, Python, Git, GitHub, OpenAI Codex, Tabnine, Qt 6, QML, STM32, TouchGFX, GoogleTest, pytest, UML, SysML.

GitHub: embmike/OOA-OOD-AI-Agentic-Microcontroller-Framework

PRIVAT: Qt-PC-Software mittels KI-Agenten entwickelt

Privat - Eigenes Projekt

Sonstiges

< 10 Mitarbeiter

Aufgabe:

Ich entwickle Software systematisch in enger Zusammenarbeit mit KI-Agenten, wobei der Mensch die Architektur, Anwendungsfälle und Qualitätsmaßstäbe vorgibt.
  1. Ziel ist eine klare, testbare und strukturierte Softwareentwicklung, in der KI-Agenten gezielt Aufgaben übernehmen und beschleunigen.
  2. Die Projekte zeigen, wie moderne Embedded- und Softwaresysteme effizient, nachvollziehbar und reproduzierbar entstehen.
  3. Im Mittelpunkt stehen saubere Schnittstellen, automatisierte Tests und eine durchgängige Benutzersicht.So entsteht ein Entwicklungsprozess, in dem Mensch und KI als abgestimmtes Team hochwertige Software liefern.

Programmierung der Software und Technik

Es wurde mit Qt, C++ und QML eine Wetterstation erstellt die bei Open-Meteo Wetterdaten für einen Ort abfragt und anzeigt:
  1. IDE: Qt Creator mit Qt 6, C++ und QML
  2. Versionierung: Git
  3. DevOps und Repository: Github
  4. AI Agent: ChatGPT Codex
AI Agent:
ChatGPT Codex arbeitete aus der Cloud heraus mit dem Github-Projekt.

Github:
embmike/qt_qml_weather_station: A beautiful weather station with Qt and QML.
embmike/qt_widget_clock: Is a LCD clock as Qt widget.

Firmware: Zentrales Raumbelüftung und -Klimatisierungs-Steuergerät mit C++ und ARM-Cortex-M7

TROX GmbH

Industrie und Maschinenbau

1000-5000 Mitarbeiter

Programmierung der Software
Funktions- und Treiberentwicklung
- Modbus-RTU
- MQTT + Ethernet: NetXDuo
- RTOS: ThreadX
- Überarbeitung der Software-Architektur der Basissoftware für C++
- Einführung von Unittest
- Realisierung und Einführung von ThreadX-Event-Analysen mit TraceX
- Schulung: C++ für Microcontroller

Technik
Mikrocontroller: STM32H733 - Single Core ARM Cortex M7
Programmiersprache: C (Version 20) + C++ (Version 23)
Entwicklungsumgebung: Visual Studio mit VisualGDB und STMCubeMX
Entwicklungsprozess: Scrum mit Azure DevOps
Versionsverwaltung: Azure DevOp Git
Buildsystem: Azure DevOp
Unittest: Google Test und Moc
Softwaredesign: Enterprise Architect
Dokumentation: Azure DevOp Wiki
KI-Nutzung zur Softwareentwicklung: ChatGPT + Tabnine

Firmware: Entwicklung einer Laufzeitumgebung für eine neue Mikrocontroller-Plattform in C++17 und ARM-Cortex-M7

SMA

Industrie und Maschinenbau

1000-5000 Mitarbeiter

Programmierung der Software
Funktionen, bspw.
- Integration der "IEC 60730 Class B Safety Library" in die Software
- Treiber für externe Peripherie: ADC ADS131, TMP116, ...
- Treiber-Anpassung für interne Peripherie: SPI, Timer (PWM) , CAN, I2C, DMA, ...
- Digitale Signalverarbeitung: Algorithmen Messgrößenauswertung
- RTOS: MicroC/OS-II
Technik
Mikrocontroller: NXP iMX RT 1170 - Dual Core ARM Cortex M7 und M4, NXP KV4 - Cortex M4
Programmiersprache: C++ (Version 17), Inline Assembler
Entwicklungsumgebung: Rowley CrossWorks, (Prototyping mit MCUXpresso IDE und Visual Studio Code)
Entwicklungsprozess: Scrum mit Jira
Versionsverwaltung: Bitbucket Git
Buildsystem: Jenkins
Unittest: Google Test und Moc
Integrationstest: Aqua und NXP Freemaster, Saleae-Logic-Analyzer, R&S Oszillioskop
Softwaredesign: Enterprise Architect
Dokumentation: Markdown (*.md) mit Visual Studio Code, Plugins: Markdown PDF, ...

PRIVAT - Service Home Roboter: Bilderkennung von Kameravideos mit Raspberry PI/Linux/ROS/C++17/ Python

Privat - Eigenes Projekt

Sonstiges

< 10 Mitarbeiter

Eigenes Projekt

Projekt
Modellauto erkennt selbstständig Objekte mittels einer Kamera. Dafür wurde ein CNN mit PyTorch in Python trainiert. Die C++17-Fahrapplikation Applikation greift auf das Modell übers die PyTorch-C++-Bibliothek libtorch zu.
(Umsetzung in Python und in C++)

Aktuell seit 02/2021:
  • Wechsel auf Ubuntu als Entwicklungsrechner (VMWare mit Ubuntu Robo V2)
  • Gazebo Robosimulation
  • Strukturierung der C++ -Software mit ROS (Robot Operating System)
  • Untersuchung: Import der KI-Modelle in Matlab/Simulink (Deep-Learning-Framework) mit Codegenerierung und Einbindung in die C++ -ROS-Application.
 
Technik
  • Bilderkennung mittels Kamera und trainierten CNN mit PyTorch. CNN: Convolutional Neural Network. 
  • IDE für Python: Jupyter Notebook in Amazon AWS (Training GPU) 
  • IDE: Visual Studio 19 C++ mit C++17 (Templates, Thread/async/future, STL und Range-V3) 
  • Zielrechner: Raspberry PI 4 mit Linux 
  • Entwicklungsrechner: Windows 
  • Modellauto: Sunfounder Smart Video Car Kit 

Messdatenanalyse: Analyse von ADAS-Daten mittels Data-Science- und KI-Methoden in Python

Wabco

Automobil und Fahrzeugbau

>10.000 Mitarbeiter

Analyse und Auswertung von Testdaten (große Datenmengen) für ADAS-Funktionen eines Fahrerassistenzsystems im Nutzfahrzeugumfeld mit Data- Science und KI-Methoden.

  • Analyse Mileage Data (Leistungsdaten)
    • Clusteranalyse (Unsupervised Learning) bildung von Fehlerklassen mittels Scikit learn
    • Automatische Fahrerklassifizierung (Deep Learning) mittels Keras/TensorFlow
  • Schreiben eines Analysetools in Python
    • Statistische Auswertung von Testdaten (Große Datenmengen)
    • Validierung der tolerierbaren Fehlalarmrate der Radarerkennung (False-Positives)
      • Vergleich ADAS-Software mit Fahrer-Fahrstrecke-Fahrzeugmodell (Multilayer)
      • Abgleich anhand GPS mit Open Steet Map und Wetterdaten
      • Abgleich mit Sensordaten (Beschleunigung, Geschwindigkeit, usw.).
  • Erstellung eines Testdaten-Reports für die sicherheitsrelante Dokumentation
  • Daten wurden mittels REST-API aus Altran VueForge Services geholt oder lagen im CSV-Format vor
  • Verarbeitung der großen Datenmengen über Servercluster mittels Hadoop
  • Test der Python-Applikation mit Robot Framework und Python unittest

Werkzeuge

Deep Learning mit Anaconda Python (Numpy, Pandas, Dask, Keras/TensorFlow, Scikit Learn, Seaborn, Matplotlib). Altran VueForge/REST-API, HTTP, JSON. Robot Framework und Python unittest.

Firmware: Entwicklung einer Embedded Sicherheitssoftware in C für eine Torsteuerung

Technagon

Industrie und Maschinenbau

50-250 Mitarbeiter

07/2018- 06/2019
Service (Teilauslastung): Neue Anforderungen und Abschlusstest
01/2018 – 06/2018
Software-Spezifikation (MS Word)
Anwendungsfälle in Gherkin-Syntax
Software-Architektur (MS Word / Enterprise Architekt)
Textuell unterstützt mit UML-Diagrammen
Programmierung der Software
Programmiersprache C (Misra-C:2012)
Entwicklungsumgebung: Eclipse C/C++ OpenSTM32 + CubeMX
Modellierung: Enterprise Architect UML/SysML
Kommentierung: Doxygen
Funktionen: Sicherheitsfunktionen Torsteuerung + uC-Selbsttest
Microcontroller: STM32F303 (ARM Cortex-M4)
Entwickler-Tests
SW-Modul- + SW-Integrations-Test: Unity-Framework
Integrationstest: PIL-Testplatine, Putty
Normen
Safety: DIN EN 60730, Klasse B
DIN EN ISO 13849

Firmware: Steuergerätetest, Programmierung C/C++ für Lichtsignalsteuerung (Ampelsteuerung) und Projektleitung

Fabema

Industrie und Maschinenbau

50-250 Mitarbeiter

11/2013 – 06/2014: Testspezifikation, Testdurchführung und Testbericht.
Inbetriebnahme und Test der Steuergeräte
SW/HW-Integrationstest
SW-Modultest C (+Ergänzung der Doxygen-Kommentare)
Integrationstest zweier Steuergeräte
Review und Unterstützung bei den Anforderungen

 

Unterstützung bei den Dokumenten für den TÜV
Einführung von Enterprise Architect (EA)
Unterstützung beim Erstellen der Software-Anforderungen
Unterstützung bei Software- und System-Design mit EA
 

07/2015 – 12/2015 Software (Bibliothek) in C für Seriell/RS485 (Ampelkommunikation)
Programmierung der Bibliothek
IDE: Eclipse C/C++ OpenSTM32
Microcontroller: Cortex-M0+/M4

 

01/2016 – 11/2017: Programmierung eines Ampelprogrammgenerators in C+11
Programmierung eines Programmgenerators für Ampelprogramme
JSON -> C++11-Ampelprogramm
Auflaufumgebung: DIMM-Modul AM335x ARM Cortex-A8 Microprozessor mit RT-Linux
IDE: Visual Studio
Pflege von Softwaremodulen

Teilprojektleitung Embedded-Softwareentwicklung
Unterstützung beim Projektmanagement

 

Werkzeuge: 

MS Office (+Project, Visio), Oszilloskop Rigol DS4024E, C#, Debugger, Tessy, Enterprise Architect, AM335x ARM Cortex-A8, Visual Studio, C++11, JSON

 

Methoden: 

Normen und Richtlinien (RiLSA, VDE 0832-100, -200, -500, DIN EN 12675, NEN 3384,..), SysML /UML / Enterprise Architect

Diverse Software in C++, C, C-Autocode mit Matlab/Simulink, Python und C# erstellt.

ZF, Porsche, BMW, Rohde & Schwarz und Takata

>10.000 Mitarbeiter

Entwicklung von Software:

Testautomatisierung mit C# und Python
Software mit C++, QT4 und CanCardX
Autocode in C mit Ascet und Matlab/Simulink
C barmetal auf Microkontroller


Testing
Integrationtest mit modellbasierter Testautomatisierung mit den Werkzeugen dSpace-HIL, Control Desk/Automation Desk, Matlab/Simulink



Werkzeuge:

Visual Studio für C# und C++,QT,
Python IDE,
Ascet, Matlab/Simulink für C (Autocode-Generierung),
Eclipse-CDT-Varianten für C
NI-Measurement Studio in C#,
Enterprise Architect für UML,
HIL: dSpace HIL, Vector VT-System, Canoe, Control Desk/Automation Desk

 

Normen und Methoden:
Modellierung mit UML und Matlab/Simulink,
Safety nach ISO 26262 ASIL D,
Testkonzept nach IEEE 829
ASPICE

Betriebssysteme
Windows,
Mikrocontroller: Barmetal und RTOS

Microcontroller
Windows,
Linux 
Mikrocontroller: RTOS

Portfolio

Kontaktanfrage

Einloggen & anfragen.

Das Kontaktformular ist nur für eingeloggte Nutzer verfügbar.

RegistrierenAnmelden