ml engineer

Загрузи резюме в профиле, а нейросеть определит твою категорию. Затем ты сможешь генерировать сопроводительные письма для вакансий этой категории

Компания Яндекс разрабатывает систему управления антропоморфными роботами, которая решает реальные задачи, от складской логистики до сложных сервисных операций. Используются передовые технологии, а там, где решений нет, они создаются с нуля. Это работа на стыке ML, софта и железа, требующая не только навыков программирования, но и умения принимать сложные инженерные вызовы.

Предстоит сделать так, чтобы робот уверенно и устойчиво ходил по любой поверхности, включая лестницы, склоны и неровности, в динамически меняющейся среде. Будет создана end-to-end-система управления, обеспечивающая баланс и плавность движений в реальном мире. Это создание ИИ, который выходит за пределы экрана и становится физическим.

• Имеете опыт разработки и внедрения ML-решений, использовали Imitation и Reinforcement Learning
• Имеете опыт работы с алгоритмами управления движением и понимаете динамику систем
• Знаете симуляторы Isaac Sim, MuJoCo, PyBullet, Drake и инструменты анализа походки (mocap, force plates)
• Знаете про sim-to-real и разбираетесь в методах доменной адаптации
• Понимаете RTOS, ROS или ROS 2, алгоритмы оптимизации управления
• Готовы к тому, что падение робота — часть итерации, способны находить решения там, где их ещё нет
• Будет плюсом: имеете опыт работы с Whole-Body Control (WBC), Model Predictive Control (MPC), Trajectory Optimization, Multi-Contact Planning; имеете опыт работы с роботами, разрабатывали автономные системы или адаптировали их к различным сценариям; имеете опыт работы с CUDA, TRT-оптимизацией, распараллеливанием вычислений

• Планирование и декомпозиция задач: превращение высокоуровневых целей в конкретные технические задачи, формирование понятного и чёткого плана действий и критериев успеха реализации
• Создание и оптимизация алгоритмов управления движением: разработка и внедрение end-to-end-решений для контроля позы, поддержания баланса и ходьбы робота с использованием Reinforcement Learning, традиционных методов оптимизации и новых подходов, минимизация задержек и вычислительных затрат для работы в реальном времени
• Интеграция perception-моделей: тесное взаимодействие с perception-командой для интеграции моделей восприятия окружающей среды в алгоритмы управления движением, обеспечивая адаптацию роботов к внешним условиям
• Кросс-функциональное взаимодействие: работа в команде с инженерами по восприятию, планированию движения, манипуляции и системными инженерами для создания полноценного автономного решения