ml engineer

Загрузите резюме в профиль и нейросеть определит категорию. После чего вы сможете генерировать сопроводительные письма для вакансий в 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