42dot — автомобиль технологиялары мен логистика тоғысындағы мобильділікке арналған жасанды интеллект компаниясы. Оның жұмысы бағдарламалық жасақтамамен анықталатын көлік технологияларына, автономды электр көліктеріне және ауқымды қалалық тасымалды қамтамасыз ететін бағдарламалық жасақтама мен деректер инфрақұрылымына бағытталған. Компания көлік бағдарламалық жасақтамасын, автопарк деректеріне арналған платформаларды, қабылдау және басқару үдерістеріне арналған жасанды интеллект модельдерін, сондай-ақ автономды қызметтерді іске қосуға арналған TAP! мобильділік операциялық жүйесін әзірлейді. Көлік электроникасы мен бағдарламалық жасақтамаға негізделген архитектуралар бойынша зерттеулер мен ынтымақтастық арқылы 42dot мобильділік жүйелерін анағұрлым автономды, бейімделгіш және басқаруға ыңғайлы етуді мақсат етеді.
Reinforcement Learning Engineer, Autonomous Driving
Develop and optimize reinforcement learning policies for 42dot’s autonomous-driving models. Build self-play simulations, scenario rollouts, and safety evaluations to improve driving performance.
Сипаттама
- Design observation and action interfaces between VLA policies and simulators, and develop closed-loop reinforcement learning post-training using methods such as GRPO and PPO.
- Build self-play training in vector- or occupancy-based driving simulators, where the ego vehicle and traffic agents interact with current policies and previous checkpoints.
- Develop candidate action and trajectory rollouts across possible future scenarios, then select actions using expected return and safety constraints.
- Evaluate policy safety and generalization with closed-loop benchmarks.
- Analyze reward hacking and simulator bias.
- Lead promising reinforcement learning ideas from design through large-scale training and rigorous evaluation to integration with driving models.
Талаптар
- At least three years of experience in machine learning, reinforcement learning, or robotics, or equivalent research and development capability.
- Experience implementing policy learning algorithms and conducting training and evaluation with Python and PyTorch.
- Understanding of policy optimization, reward design, and credit assignment, with the ability to design reinforcement learning experiments.
- Experience training policies in simulation or multi-agent environments and verifying improvements against baselines.
- English communication skills sufficient to discuss technical issues and collaborate with overseas offices.
- Experience developing self-play, multi-agent reinforcement learning, or policy population training systems (preferred).
- Experience applying reinforcement learning post-training methods such as GRPO or PPO to VLA or generative policies (preferred).
- Experience training policies in vector- or occupancy-based driving simulators, or developing world-model-based rollout planning (preferred).
- Experience with large-scale parallel rollouts, distributed training, or sim-to-real validation (preferred).
Артықшылықтар
- Preference is given to veterans and people eligible for employment protection under applicable laws.
- Preference is given to applicants with a registered disability certificate.
- Reference checks may be conducted with the applicant’s consent after the interview process.
- A three-month probationary period may apply.