42dot er en mobilitetsvirksomhed inden for kunstig intelligens, der arbejder i krydsfeltet mellem køretøjsteknologi og logistik. Virksomhedens arbejde fokuserer på softwaredefineret køretøjsteknologi, autonome elektriske køretøjer samt den software- og datainfrastruktur, der er nødvendig for skalerbar bytransport. Virksomheden udvikler køretøjsoftware, platforme til flådedata og AI-modeller til perception og styring samt TAP!, virksomhedens mobilitetsoperativsystem til implementering af autonome tjenester. Gennem forskning og samarbejde om køretøjselektronik og softwarebaserede arkitekturer arbejder 42dot på at gøre mobilitetssystemer mere autonome, tilpasningsdygtige og lettere at drive.
Ingeniør i reinforcement learning til autonom kørsel
Udvikl og optimer politikker til reinforcement learning for 42dots modeller til autonom kørsel. Byg selvspilssimuleringer, scenarierulninger og sikkerhedsevalueringer for at forbedre køreevnen.
Beskrivelse
- Design observations- og handlingsgrænseflader mellem VLA-politikker og simulatorer, og udvikl eftertræning med lukket feedbacksløjfe inden for reinforcement learning ved hjælp af metoder som GRPO og PPO.
- Byg selvspilstræning i køresimulatorer baseret på vektorer eller belægning, hvor ego-køretøjet og trafikanter interagerer med aktuelle politikker og tidligere checkpoints.
- Udvikl rulninger af mulige handlinger og baner på tværs af tænkelige fremtidige scenarier, og vælg derefter handlinger ud fra forventet afkast og sikkerhedsbegrænsninger.
- Evaluer politikkernes sikkerhed og generalisering med benchmarks med lukket feedbacksløjfe.
- Analyser reward hacking og simulatorbias.
- Før lovende idéer inden for reinforcement learning fra design gennem træning i stor skala og grundig evaluering til integration i køremodeller.
Krav
- Mindst tre års erfaring med machine learning, reinforcement learning eller robotteknologi eller tilsvarende kompetencer inden for forskning og udvikling.
- Erfaring med implementering af algoritmer til policy learning samt træning og evaluering med Python og PyTorch.
- Forståelse af policyoptimering, reward design og credit assignment samt evne til at designe eksperimenter inden for reinforcement learning.
- Erfaring med at træne politikker i simuleringer eller miljøer med flere agenter og verificere forbedringer i forhold til baselines.
- Engelskkundskaber, der er tilstrækkelige til at drøfte tekniske spørgsmål og samarbejde med kontorer i udlandet.
- Erfaring med udvikling af systemer til selvspil, multi-agent reinforcement learning eller træning af policy-populationer (en fordel).
- Erfaring med anvendelse af eftertræningsmetoder inden for reinforcement learning, såsom GRPO eller PPO, på VLA- eller generative politikker (en fordel).
- Erfaring med at træne politikker i køresimulatorer baseret på vektorer eller belægning eller med udvikling af rollout-planlægning baseret på verdensmodeller (en fordel).
- Erfaring med parallelle rollouts i stor skala, distribueret træning eller validering fra simulation til virkelighed (en fordel).
Fordele
- Veteraner og personer, der er omfattet af ansættelsesbeskyttelse i henhold til gældende lovgivning, foretrækkes.
- Ansøgere med et registreret handicapbevis foretrækkes.
- Der kan indhentes referencer med ansøgerens samtykke efter interviewforløbet.
- Der kan være en prøvetid på tre måneder.