Vereinigte Staaten
Temple Health
Noble Machines, Inc
Robotics ML Engineer (Simulation und Robot Learning)
Vereinigte Staaten
Sunnyvale, California, United States
PythonC++
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Robotics ML Engineer Simulation und Robot Learning
| Noble Machines
Fördern Sie industrielle Autonomie, indem Sie simulierte Erfahrung in zuverlässige reale Fähigkeiten umwandeln.
Die Rolle
Ihr entscheidender Beitrag wird die Lösung der Sim-to-Real-Herausforderung von der Simulationsseite sein: zu verstehen, warum Policies in der Simulation erfolgreich sind, aber auf Hardware versagen, und dann die Umgebungen, Daten und Trainingsbedingungen zu verbessern, die den Transfer bestimmen. Sie werden die Simulation zu einem zuverlässigen Werkzeug für die Entwicklung industrieller Autonomie ausbauen.
Sie werden die Lernpipeline End-to-End verantworten, von der Simulation und Datengenerierung über das Policy-Training, die Evaluierung, die Bereitstellung bis hin zur iterativen Verbesserung an physischen Robotern. Die Rolle erfordert ein starkes Urteilsvermögen darüber, welche Aspekte der Simulation mehr Detailtreue benötigen, welche breitere Variation benötigen und wie nachgewiesen werden kann, dass jede Änderung die reale Leistung verbessert.
Dies ist eine praxisorientierte ML-Engineering-Rolle mit Forschungstiefe. Sie werden eng mit KI-, Steuerungs-, Hardware- und Roboterbetriebsteams zusammenarbeiten und die Lernschleife verantworten, während Sie an der Schnittstelle zu Roboter-, Steuerungsschnittstellen und Bereitstellungsinfrastruktur zusammenarbeiten.
Über Noble Machines
Noble Machines baut Mehrzweckroboter zur Unterstützung menschlicher Arbeitskräfte bei den härtesten Jobs der Welt – und macht gefährliche Arbeit von einer Notwendigkeit zu einer Wahl. Unsere Arbeit erfordert Zuverlässigkeit, Robustheit und Bereitschaft für das Unerwartete – pünktlich, jedes Mal. Wir stellen ein missionsgetriebenes Team zusammen, das sich darauf konzentriert, reale Auswirkungen in der Schwerindustrie zu erzielen, vom Bauwesen und Bergbau bis hin zur Energieversorgung. Wenn Sie motiviert sind, robuste, zuverlässige Produkte zu entwickeln, die reale Probleme lösen, würden wir uns freuen, mit Ihnen zu sprechen.
Was Sie tun werden
- Führen Sie die simulationsseitige Sim-to-Real-Entwicklung an. Nutzen Sie Hardware-Beweise, um folgenschwere Lücken in visuellen Beobachtungen, Physik, Kontakt, Sensorik und Steuerungsausführung zu identifizieren; verbessern Sie die Simulationsgenauigkeit, Kalibrierung und Randomisierung, um diese zu beheben.
- Erstellen und pflegen Sie Simulationsumgebungen und Datengenerierungs-Pipelines für das Robot Learning. Entwerfen Sie repräsentative Aufgaben, Variationen und Bewertungsbedingungen und stellen Sie sicher, dass generierte Daten für das Training übertragbarer Policies geeignet sind.
- Trainieren und adaptieren Sie Vision-Language-Action (VLA)-Policies, World-Action Models (WAMs) und andere visuomotorische Policies mithilfe von simulierten und realen Roboterdaten. Erstellen Sie reproduzierbare Experimente und treffen Sie fundierte Entscheidungen über Datenqualität, Abdeckung und Trainingsmethoden.
- Schließen Sie die Lernschleife zwischen Simulation und Hardware: Analysieren Sie Fehler, sammeln Sie Korrekturdaten, trainieren Sie neu und validieren Sie Verbesserungen. Wenden Sie DAgger-ähnliche Datenaggregation und Human-in-the-Loop-Learning an, wo dies angebracht ist.
- Nutzen Sie Imitation Learning und Reinforcement Learning, um die Policy-Leistung zu verbessern, einschließlich RL-Fine-Tuning und Lernen aus realer Erfahrung, wo dies angebracht ist.
- Entwerfen Sie kontrollierte Experimente, die Transfer-Engpässe isolieren und Simulator-Einschränkungen von Daten-, Policy- und Integrationsproblemen unterscheiden. Priorisieren Sie Simulationsverbesserungen nach ihrer gemessenen Auswirkung auf die Hardware.
- Entwickeln Sie wiederholbare Bewertungs- und Regressionstests für Robustheit und Generalisierung. Stellen Sie fest, wie gut Simulationsergebnisse die Hardwareleistung vorhersagen, und untersuchen Sie Abweichungen.
- Stellen Sie gelernte Policies auf Roboter-Compute bereit, profilieren und debuggen Sie sie. Verbessern Sie die Inferenz-Effizienz und Zuverlässigkeit und arbeiten Sie mit Steuerungs- und Systemkollegen zusammen, um Policies in den Roboter zu integrieren.
- Verantworten Sie die Daten- und Experimentqualität über die gesamte Pipeline hinweg, einschließlich Kuratierung, Versionierung, Reproduzierbarkeit und klarer Berichterstattung von Ergebnissen.
Mindestanforderungen
Was wir suchen
- Nachgewiesene Fähigkeit, den Sim-to-Real-Transfer durch Änderung der Simulation, des Datengenerierungsprozesses oder der Trainingsverteilung zu verbessern. Sie können die Lücke identifizieren, Ihre Intervention erklären und deren Auswirkung auf die physische Roboterleistung zeigen.
- Praktische Erfahrung im Training oder der Anpassung von VLA-Policies, WAMs, sprachgesteuerten Manipulations-Policies oder anderen visuomotorischen Policies, mit starkem praktischem Verständnis von Imitation Learning und Reinforcement Learning.
- Erfahrung im Aufbau von Simulationsumgebungen oder Demonstrationsgenerierungs-Pipelines für das Robot Learning mit Tools wie Isaac Sim / Isaac Lab, MuJoCo, robosuite oder vergleichbaren Systemen.
- Umfassende Verantwortung für eine Robot-Learning-Pipeline über Daten, Training, Evaluierung und Hardware-Bereitstellung (Bonus), mit Nachweisen für die Diagnose von Fehlern und die Verbesserung von Ergebnissen.
- Starke Python und PyTorch Kenntnisse, mit der technischen Disziplin, reproduzierbare Trainings-, Datensatz- und Workflow-Workflows zu erstellen. Komfortable Arbeit mit Robotik-Software und Lesen oder Modifizieren von C++, wenn nötig.
- Praktisches Verständnis von Roboterkinematik, Koordinatensystemen, Kamerakalibrierung, Steuerungsschnittstellen und den Möglichkeiten, wie Verkörperung Lernen und Transfer beeinflusst.
- Eine Promotion, ein Masterabschluss oder gleichwertige praktische Erfahrung in Robotik, machine learning, Informatik oder einem verwandten Bereich. Doktorale Forschung und umfangreiche Open-Source-Arbeit gelten als relevante Erfahrung.
Besonders relevante Erfahrung
- Erfahrung im Training oder der Anpassung von VLA-Policies oder World-Action Models (WAMs) in Simulation und deren Evaluierung des Transfers auf physische Roboter.
- DAgger, interventionsbasierte Datenerfassung, Offline-RL, Online-RL oder RL-Fine-Tuning von vortrainierten Roboter-Policies.
- Bimanuelle Manipulation, mobile Manipulation, humanoide Aufgabenausführung, kontaktintensive Aufgaben oder Langstreckenverhalten mit autonomer Wiederherstellung.
- Verteiltes Training, Hochdurchsatz-Simulation und Rendering oder Inferenzoptimierung auf eingebetteten und Edge-GPUs.
California Pay Transparency Statement
Pay Transparency & Compensation Gemäß dem California Pay Transparency Act (SB 1162) liegt die erwartete Gehaltsspanne für diese Position in Sunnyvale, CA bei $170,000 - $400,000, zusätzlich zu Bonus, Aktienoptionen und Leistungen.
Die tatsächliche Vergütung innerhalb dieser Spanne wird auf der Grundlage mehrerer Faktoren ermittelt, darunter die Qualifikationen des Kandidaten, relevante Erfahrung, technische Fähigkeiten und spezialisierte Expertise. Das Grundgehalt ist nur ein Bestandteil des Gesamtvergütungspakets von Noble Machines, das auch Aktienoptionen, umfassende Krankenversicherungsleistungen, Beiträge zur Altersvorsorge und leistungsabhängige Anreize umfassen kann.
Equal Opportunity Employer
Noble Machines ist ein Equal Opportunity Employer. Wir feiern Vielfalt und setzen uns dafür ein, ein integratives Umfeld für alle Mitarbeiter zu schaffen. Alle Personalentscheidungen basieren auf Geschäftsanforderungen, Stellenanforderungen und individuellen Qualifikationen, ohne Rücksicht auf Rasse, Hautfarbe, Religion, Geschlecht, sexuelle Orientierung, Geschlechtsidentität, nationale Herkunft, Veteranenstatus, Behinderungsstatus oder einen anderen Status, der durch geltende Bundes-, Landes- oder lokale Gesetze geschützt ist.
Bewerbung
Teilen Sie Ihren Lebenslauf und bis zu zwei repräsentative Projekte, Arbeiten, Codebasen oder Roboterdemonstrationen. Beschreiben Sie die Teile der Pipeline, die Sie verantwortet haben, einen Sim-to-Real-Fehler, den Sie untersucht haben, die Simulations- oder Trainingsänderungen, die Sie vorgenommen haben, und die daraus resultierende Hardware-Leistung. Wir schätzen nachgewiesene Verantwortung und messbare Ergebnisse aus Forschung und Industrie.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen