Estados Unidos
Temple Health
Noble Machines, Inc
Ingeniero ML de Robótica (Simulación y Aprendizaje de Robots)
Estados Unidos
Sunnyvale, California, United States
PythonC++
Traducción automática. Consulta el original.
Sobre la oportunidad
Ingeniero ML de Robótica Simulación y Aprendizaje de Robots
| Noble Machines
Avanza la autonomía industrial convirtiendo la experiencia simulada en capacidad fiable en el mundo real.
El puesto
Tu contribución definitoria será resolver el desafío sim-a-real desde el lado de la simulación: comprender por qué las políticas tienen éxito en la simulación pero fallan en el hardware, y luego mejorar los entornos, los datos y las condiciones de entrenamiento que determinan la transferencia. Construirás la simulación en una herramienta fiable para el desarrollo de la autonomía industrial.
Serás responsable de la canalización de aprendizaje de principio a fin, desde la simulación y la generación de datos hasta el entrenamiento de políticas, la evaluación, el despliegue y la mejora iterativa en robots físicos. El puesto requiere un gran criterio sobre qué aspectos de la simulación necesitan mayor fidelidad, cuáles necesitan una variación más amplia y cómo demostrar que cualquier cambio mejora el rendimiento en el mundo real.
Este es un puesto práctico de ingeniería de ML con profundidad de investigación. Trabajarás en estrecha colaboración con compañeros de IA, control, hardware y operaciones de robots, siendo responsable del bucle de aprendizaje mientras colaboras en el robot, las interfaces de control y la infraestructura de despliegue.
Sobre Noble Machines
Noble Machines construye robots multipropósito para apoyar a los trabajadores humanos en los trabajos más duros del mundo, convirtiendo el trabajo peligroso de una necesidad en una opción. Nuestro trabajo exige fiabilidad, robustez y preparación para lo inesperado, a tiempo, siempre. Estamos reuniendo un equipo impulsado por la misión centrado en ofrecer un impacto real en la industria pesada, desde la construcción y la minería hasta la energía. Si te impulsa construir productos robustos y fiables que resuelvan problemas del mundo real, nos encantaría hablar contigo.
Qué harás
- Liderar el desarrollo sim-a-real desde el lado de la simulación. Utilizar evidencia de hardware para identificar brechas importantes en observaciones visuales, física, contacto, sensado y ejecución de control; mejorar la fidelidad, calibración y aleatorización de la simulación para abordarlas.
- Construir y mantener entornos de simulación y canalizaciones de generación de datos para el aprendizaje de robots. Diseñar tareas representativas, variaciones y condiciones de evaluación, y garantizar que los datos generados sean adecuados para entrenar políticas transferibles.
- Entrenar y adaptar políticas de visión-lenguaje-acción (VLA), modelos mundo-acción (WAM) y otras políticas visuomotoras utilizando datos de robots simulados y reales. Construir experimentos reproducibles y tomar decisiones informadas sobre la calidad de los datos, la cobertura y los métodos de entrenamiento.
- Cerrar el bucle de aprendizaje entre simulación y hardware: analizar fallos, recopilar datos correctivos, reentrenar y validar mejoras. Aplicar la agregación de datos estilo DAgger y el aprendizaje con intervención humana cuando sea apropiado.
- Utilizar aprendizaje por imitación y aprendizaje por refuerzo para mejorar el rendimiento de las políticas, incluyendo el ajuste fino de RL y el aprendizaje a partir de la experiencia del mundo real cuando sea apropiado.
- Diseñar experimentos controlados que aíslen los cuellos de botella de transferencia y distingan las limitaciones del simulador de los problemas de datos, políticas e integración. Priorizar las mejoras de simulación por su efecto medido en el hardware.
- Desarrollar pruebas de evaluación y regresión repetibles para robustez y generalización. Establecer qué tan bien predicen los resultados de simulación el rendimiento del hardware e investigar las discrepancias.
- Desplegar, perfilar y depurar políticas aprendidas en la computación del robot. Mejorar la eficiencia y fiabilidad de la inferencia, y trabajar con compañeros de control y sistemas para integrar las políticas con el robot.
- Ser responsable de la calidad de los datos y los experimentos en toda la canalización, incluyendo la curación, el versionado, la reproducibilidad y la presentación clara de los resultados.
Requisitos mínimos
Lo que buscamos
- Capacidad demostrada para mejorar la transferencia sim-a-real cambiando la simulación, el proceso de generación de datos o la distribución de entrenamiento. Puedes identificar la brecha, explicar tu intervención y mostrar su efecto en el rendimiento del robot físico.
- Experiencia práctica en el entrenamiento o adaptación de políticas VLA, WAM, políticas de manipulación condicionadas por lenguaje u otras políticas visuomotoras, con una sólida comprensión práctica del aprendizaje por imitación y el aprendizaje por refuerzo.
- Experiencia en la construcción de entornos de simulación o canalizaciones de generación de demostraciones para el aprendizaje de robots utilizando herramientas como Isaac Sim / Isaac Lab, MuJoCo, robosuite o sistemas comparables.
- Propiedad sustancial de una canalización de aprendizaje de robots a través de datos, entrenamiento, evaluación y despliegue de hardware (bonus), con evidencia de diagnóstico de fallos y mejora de resultados.
- Sólidas habilidades en Python y PyTorch, con la disciplina de ingeniería para construir flujos de trabajo reproducibles de entrenamiento, conjuntos de datos y evaluación. Comodidad trabajando con software de robótica y leyendo o modificando C++ cuando sea necesario.
- Comprensión práctica de la cinemática de robots, marcos de coordenadas, calibración de cámaras, interfaces de control y las formas en que la encarnación afecta al aprendizaje y la transferencia.
- Un doctorado, máster o experiencia práctica equivalente en robótica, machine learning, informática o un campo relacionado. La investigación doctoral y el trabajo sustancial de código abierto cuentan como experiencia relevante.
Experiencia especialmente relevante
- Experiencia en el entrenamiento o adaptación de políticas VLA o modelos mundo-acción (WAM) en simulación y evaluación de su transferencia a robots físicos.
- DAgger, recopilación de datos basada en intervenciones, RL offline, RL online o ajuste fino de RL de políticas de robots preentrenadas.
- Manipulación bimanual, manipulación móvil, ejecución de tareas humanoides, tareas de contacto intensivo o comportamiento de largo alcance con recuperación autónoma.
- Entrenamiento distribuido, simulación y renderizado de alto rendimiento, u optimización de inferencia en GPUs integradas y de borde.
Declaración de Transparencia Salarial de California
Transparencia Salarial y Compensación De acuerdo con la Ley de Transparencia Salarial de California (SB 1162), el rango salarial base esperado para este puesto ubicado en Sunnyvale, CA es $170,000 - $400,000, además de bonificación, acciones y beneficios.
La compensación real dentro de este rango se determinará en función de varios factores, incluidas las calificaciones del candidato, la experiencia relevante, las habilidades técnicas y la experiencia especializada. El salario base es solo un componente del paquete de recompensas totales de Noble Machines, que también puede incluir opciones sobre acciones, beneficios integrales de atención médica, contribuciones al plan de jubilación e incentivos basados en el rendimiento.
Empleador con Igualdad de Oportunidades
Noble Machines es un Empleador con Igualdad de Oportunidades. Celebramos la diversidad y estamos comprometidos a crear un entorno inclusivo para todos los empleados. Todas las decisiones de empleo se basan en las necesidades del negocio, los requisitos del puesto y las calificaciones individuales, sin distinción de raza, color, religión, sexo, orientación sexual, identidad de género, origen nacional, condición de veterano, condición de discapacidad o cualquier otra condición protegida por las leyes federales, estatales o locales aplicables.
Cómo postularse
Comparte tu currículum y hasta dos proyectos, artículos, bases de código o demostraciones de robots representativos. Describe las partes de la canalización de las que fuiste responsable, un fallo sim-a-real que investigaste, los cambios de simulación o entrenamiento que realizaste y el rendimiento resultante en hardware. Valoramos la propiedad demostrada y los resultados medibles tanto de la investigación como de la industria.
Más oportunidades con un solo perfil
¿Quieres optar a más puestos sin repetir todo el proceso? Crea tu perfil para que te encuentren las empresas que usan Nort.
Crear mi perfil