
42dot یک شرکت هوش مصنوعی در حوزه جابهجایی است که در نقطه تلاقی فناوری خودرو و لجستیک فعالیت میکند. تمرکز این شرکت بر فناوریهای خودروهای نرمافزارمحور، خودروهای برقی خودران و زیرساخت نرمافزاری و دادهای موردنیاز برای حملونقل شهری در مقیاس گسترده است. این شرکت نرمافزار خودرو، پلتفرمهای داده ناوگان و مدلهای هوش مصنوعی برای ادراک و کنترل توسعه میدهد و در کنار آن، روی TAP!، سیستمعامل جابهجایی خود برای استقرار خدمات خودران، کار میکند. 42dot از طریق پژوهش و همکاری در زمینه الکترونیک خودرو و معماریهای نرمافزارمحور، تلاش دارد سیستمهای جابهجایی را خودکارتر، سازگارتر و آسانتر برای بهرهبرداری کند.
مهندس یادگیری تقویتی برای رانندگی خودران
سیاستهای یادگیری تقویتی را برای مدلهای رانندگی خودران 42dot توسعه دهید و بهینه کنید. برای بهبود عملکرد رانندگی، شبیهسازیهای خودبازی، اجرای سناریوها و ارزیابیهای ایمنی بسازید.
توضیحات
- رابطهای مشاهده و کنش میان سیاستهای VLA و شبیهسازها را طراحی کنید و با روشهایی مانند GRPO و PPO، پسآموزش یادگیری تقویتی حلقهبسته را توسعه دهید.
- آموزش خودبازی را در شبیهسازهای رانندگی مبتنی بر بردار یا اشغال بسازید؛ جایی که خودروی اصلی و عاملهای ترافیکی با سیاستهای فعلی و نقاط بازبینی قبلی تعامل میکنند.
- رولاوتهای کنش و مسیر نامزد را برای سناریوهای احتمالی آینده توسعه دهید و سپس با استفاده از بازده مورد انتظار و محدودیتهای ایمنی، کنشها را انتخاب کنید.
- ایمنی و تعمیمپذیری سیاست را با معیارهای حلقهبسته ارزیابی کنید.
- دستکاری پاداش و سوگیری شبیهساز را تحلیل کنید.
- ایدههای امیدوارکننده یادگیری تقویتی را از طراحی تا آموزش در مقیاس بزرگ و ارزیابی دقیق، و سپس ادغام با مدلهای رانندگی هدایت کنید.
شرایط لازم
- دستکم سه سال تجربه در یادگیری ماشین، یادگیری تقویتی یا رباتیک، یا توانمندی معادل در پژوهش و توسعه.
- تجربه پیادهسازی الگوریتمهای یادگیری سیاست و انجام آموزش و ارزیابی با Python و PyTorch.
- آشنایی با بهینهسازی سیاست، طراحی پاداش و تخصیص اعتبار، و توانایی طراحی آزمایشهای یادگیری تقویتی.
- تجربه آموزش سیاستها در شبیهسازی یا محیطهای چندعاملی و تأیید بهبود در مقایسه با خط مبنا.
- مهارت کافی در زبان انگلیسی برای گفتوگو درباره مسائل فنی و همکاری با دفاتر خارج از کشور.
- تجربه توسعه سامانههای خودبازی، یادگیری تقویتی چندعاملی یا آموزش جمعیت سیاستها (ترجیحی).
- تجربه بهکارگیری روشهای پسآموزش یادگیری تقویتی مانند GRPO یا PPO برای سیاستهای VLA یا مولد (ترجیحی).
- تجربه آموزش سیاستها در شبیهسازهای رانندگی مبتنی بر بردار یا اشغال، یا توسعه برنامهریزی رولاوت مبتنی بر مدل جهان (ترجیحی).
- تجربه رولاوتهای موازی در مقیاس بزرگ، آموزش توزیعشده یا اعتبارسنجی شبیهسازی تا واقعیت (ترجیحی).
مزایا
- به افراد کهنهسرباز و افراد واجد شرایط حمایت از اشتغال طبق قوانین مربوطه اولویت داده میشود.
- به متقاضیان دارای گواهی ثبتشده معلولیت اولویت داده میشود.
- پس از فرایند مصاحبه و با رضایت متقاضی، ممکن است بررسی سوابق و معرفها انجام شود.
- ممکن است دوره آزمایشی سهماهه اعمال شود.