États-Unis
Launch Legends
Noble Machines, Inc
Ingénieur ML Robotique (Simulation et Apprentissage Robot)
États-Unis
Sunnyvale, California, United States
PythonC++
Traduction automatique. Consultez l’original.
À propos du poste
Ingénieur ML Robotique Simulation et Apprentissage Robot
| Noble Machines
Faites progresser l'autonomie industrielle en transformant l'expérience simulée en capacité fiable dans le monde réel.
Le rôle
Votre contribution déterminante sera de résoudre le défi sim-to-real du côté de la simulation : comprendre pourquoi les politiques réussissent en simulation mais échouent sur le matériel, puis améliorer les environnements, les données et les conditions d'entraînement qui déterminent le transfert. Vous ferez de la simulation un outil fiable pour le développement de l'autonomie industrielle.
Vous serez responsable du pipeline d'apprentissage de bout en bout, de la simulation et de la génération de données à l'entraînement, à l'évaluation, au déploiement et à l'amélioration itérative des politiques sur des robots physiques. Le rôle exige un jugement solide quant aux aspects de la simulation qui nécessitent une plus grande fidélité, ceux qui nécessitent une plus grande variation, et comment démontrer que ces changements améliorent les performances dans le monde réel.
Il s'agit d'un rôle d'ingénieur ML pratique avec une profondeur de recherche. Vous travaillerez en étroite collaboration avec des collègues spécialisés en IA, en contrôle, en matériel et en opérations robotiques, en gérant la boucle d'apprentissage tout en collaborant sur le robot, les interfaces de contrôle et l'infrastructure de déploiement.
À propos de Noble Machines
Noble Machines construit des robots polyvalents pour soutenir les travailleurs humains dans les métiers les plus difficiles du monde, transformant le travail dangereux d'une nécessité en un choix. Notre travail exige fiabilité, robustesse et préparation à l'imprévu, à temps, à chaque fois. Nous assemblons une équipe axée sur la mission et déterminée à avoir un impact réel dans l'industrie lourde, de la construction et de l'exploitation minière à l'énergie. Si vous êtes motivé pour construire des produits robustes et fiables qui résolvent des problèmes du monde réel, nous serions ravis de discuter.
Ce que vous ferez
- Mener le développement sim-to-real côté simulation. Utiliser les preuves matérielles pour identifier les lacunes importantes dans les observations visuelles, la physique, le contact, la détection et l'exécution du contrôle ; améliorer la fidélité, l'étalonnage et la randomisation de la simulation pour y remédier.
- Construire et maintenir des environnements de simulation et des pipelines de génération de données pour l'apprentissage robotique. Concevoir des tâches représentatives, des variations et des conditions d'évaluation, et s'assurer que les données générées sont adaptées à l'entraînement de politiques transférables.
- Entraîner et adapter les politiques vision-langage-action (VLA), les modèles monde-action (WAM) et d'autres politiques visuomotrices en utilisant des données de robots simulés et réels. Construire des expériences reproductibles et faire des choix éclairés sur la qualité des données, la couverture et les méthodes d'entraînement.
- Fermer la boucle d'apprentissage entre la simulation et le matériel : analyser les échecs, collecter des données correctives, réentraîner et valider les améliorations. Appliquer l'agrégation de données de type DAgger et l'apprentissage avec intervention humaine lorsque cela est approprié.
- Utiliser l'apprentissage par imitation et l'apprentissage par renforcement pour améliorer les performances des politiques, y compris le réglage fin par RL et l'apprentissage à partir de l'expérience du monde réel lorsque cela est approprié.
- Concevoir des expériences contrôlées qui isolent les goulots d'étranglement du transfert et distinguent les limitations du simulateur des problèmes de données, de politique et d'intégration. Prioriser les améliorations de simulation en fonction de leur effet mesuré sur le matériel.
- Développer des tests d'évaluation et de régression reproductibles pour la robustesse et la généralisation. Établir dans quelle mesure les résultats de simulation prédisent les performances matérielles et enquêter sur les écarts.
- Déployer, profiler et déboguer les politiques apprises sur le calcul robotique. Améliorer l'efficacité et la fiabilité de l'inférence, et travailler avec les collègues responsables du contrôle et des systèmes pour intégrer les politiques au robot.
- Être responsable de la qualité des données et des expériences tout au long du pipeline, y compris la curation, le versionnement, la reproductibilité et le reporting clair des résultats.
Prérequis
Ce que nous recherchons
- Capacité démontrée à améliorer le transfert sim-to-real en modifiant la simulation, le processus de génération de données ou la distribution d'entraînement. Vous pouvez identifier l'écart, expliquer votre intervention et montrer son effet sur les performances du robot physique.
- Expérience pratique dans l'entraînement ou l'adaptation de politiques VLA, de WAM, de politiques de manipulation conditionnées par le langage ou d'autres politiques visuomotrices, avec une solide compréhension pratique de l'apprentissage par imitation et de l'apprentissage par renforcement.
- Expérience dans la construction d'environnements de simulation ou de pipelines de génération de démonstrations pour l'apprentissage robotique à l'aide d'outils tels qu'Isaac Sim / Isaac Lab, MuJoCo, robosuite ou des systèmes comparables.
- Propriété substantielle d'un pipeline d'apprentissage robotique couvrant les données, l'entraînement, l'évaluation et le déploiement matériel (un plus), avec des preuves de diagnostic des échecs et d'amélioration des résultats.
- Solides compétences en Python et PyTorch, avec la discipline d'ingénierie nécessaire pour construire des flux de travail d'entraînement, de jeux de données et d'évaluation reproductibles. À l'aise avec les logiciels de robotique et la lecture ou la modification de C++ si nécessaire.
- Compréhension pratique de la cinématique robotique, des référentiels, de l'étalonnage des caméras, des interfaces de contrôle et des façons dont l'incarnation affecte l'apprentissage et le transfert.
- Un doctorat, une maîtrise ou une expérience pratique équivalente en robotique, en machine learning, en informatique ou dans un domaine connexe. La recherche doctorale et un travail open-source substantiel comptent comme une expérience pertinente.
Expérience particulièrement pertinente
- Expérience dans l'entraînement ou l'adaptation de politiques VLA ou de modèles monde-action (WAM) en simulation et dans l'évaluation de leur transfert vers des robots physiques.
- DAgger, collecte de données basée sur l'intervention, RL hors ligne, RL en ligne ou réglage fin par RL de politiques robotiques pré-entraînées.
- Manipulation bimane, manipulation mobile, exécution de tâches humanoïdes, tâches à contact riche ou comportement à long horizon avec récupération autonome.
- Entraînement distribué, simulation et rendu à haut débit, ou optimisation de l'inférence sur des GPU embarqués et périphériques.
Déclaration sur la transparence salariale en Californie
Transparence salariale et rémunération Conformément au California Pay Transparency Act (SB 1162), la fourchette de salaire de base attendue pour ce poste situé à Sunnyvale, CA est de $170,000 - $400,000, en plus des primes, des actions et des avantages sociaux.
La rémunération réelle dans cette fourchette sera déterminée en fonction de plusieurs facteurs, notamment les qualifications du candidat, son expérience pertinente, ses compétences techniques et son expertise spécialisée. Le salaire de base n'est qu'une composante du programme de récompenses totales de Noble Machines, qui peut également inclure des options d'actions, des avantages sociaux complets en matière de soins de santé, des contributions au régime de retraite et des incitations basées sur la performance.
Employeur garantissant l'égalité des chances
Noble Machines est un employeur garantissant l'égalité des chances. Nous célébrons la diversité et nous nous engageons à créer un environnement inclusif pour tous les employés. Toutes les décisions d'emploi sont basées sur les besoins de l'entreprise, les exigences du poste et les qualifications individuelles, sans égard à la race, la couleur, la religion, le sexe, l'orientation sexuelle, l'identité de genre, l'origine nationale, le statut d'ancien combattant, le statut de handicap ou tout autre statut protégé par les lois fédérales, étatiques ou locales applicables.
Comment postuler
Partagez votre CV et jusqu'à deux projets, articles, bases de code ou démonstrations de robots représentatifs. Décrivez les parties du pipeline dont vous étiez responsable, un échec sim-to-real que vous avez étudié, les changements de simulation ou d'entraînement que vous avez apportés et les performances matérielles résultantes. Nous valorisons la propriété démontrée et les résultats mesurables issus de la recherche et de l'industrie.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil