42dot er et mobilitetsselskap innen kunstig intelligens som arbeider i skjæringspunktet mellom kjøretøyteknologi og logistikk. Arbeidet fokuserer på programvaredefinert kjøretøyteknologi, autonome elektriske kjøretøy og programvare- og datainfrastrukturen som trengs for skalerbar bytransport. Selskapet utvikler programvare for kjøretøy, plattformer for flåtedata og AI-modeller for persepsjon og styring, i tillegg til TAP!, selskapets mobilitetsoperativsystem for utrulling av autonome tjenester. Gjennom forskning og samarbeid om kjøretøyelektronikk og programvarebaserte arkitekturer har 42dot som mål å gjøre mobilitetssystemer mer autonome, tilpasningsdyktige og enklere å drifte.
Ingeniør i reinforcement learning for autonom kjøring
Utvikle og optimalisere policyer for reinforcement learning i 42dots modeller for autonom kjøring. Bygg selvspillsimuleringer, scenarioutrullinger og sikkerhetsevalueringer for å forbedre kjøreegenskapene.
Beskrivelse
- Utform grensesnitt for observasjoner og handlinger mellom VLA-policyer og simulatorer, og utvikle ettertrening med lukket sløyfe for reinforcement learning ved hjelp av metoder som GRPO og PPO.
- Bygg selvspilltrening i kjøresimulatorer basert på vektorer eller occupancy, der ego-kjøretøyet og trafikkagenter samhandler med gjeldende policyer og tidligere sjekkpunkter.
- Utvikle utrullinger av mulige handlinger og baner på tvers av mulige fremtidige scenarioer, og velg deretter handlinger ut fra forventet avkastning og sikkerhetsbegrensninger.
- Evaluer policyenes sikkerhet og generalisering med lukkede benchmarktester.
- Analyser reward hacking og simulatorbias.
- Led lovende ideer innen reinforcement learning fra utforming via trening i stor skala og grundig evaluering til integrering i kjøremodeller.
Krav
- Minst tre års erfaring med maskinlæring, reinforcement learning eller robotikk, eller tilsvarende kompetanse innen forskning og utvikling.
- Erfaring med å implementere algoritmer for policy learning og gjennomføre trening og evaluering med Python og PyTorch.
- Forståelse av policyoptimalisering, reward design og credit assignment, samt evne til å utforme eksperimenter innen reinforcement learning.
- Erfaring med å trene policyer i simuleringer eller miljøer med flere agenter og verifisere forbedringer mot referanseverdier.
- Engelskferdigheter som er gode nok til å diskutere tekniske spørsmål og samarbeide med kontorer i utlandet.
- Erfaring med å utvikle systemer for selvspill, multi-agent reinforcement learning eller trening av policy-populasjoner (en fordel).
- Erfaring med å bruke ettertreningsmetoder for reinforcement learning, som GRPO eller PPO, på VLA- eller generative policyer (en fordel).
- Erfaring med å trene policyer i kjøresimulatorer basert på vektorer eller occupancy, eller med å utvikle utrullingsplanlegging basert på verdensmodeller (en fordel).
- Erfaring med parallelle utrullinger i stor skala, distribuert trening eller validering fra simulering til virkelighet (en fordel).
Fordeler
- Veteraner og personer som omfattes av ansettelsesvern etter gjeldende lovgivning, foretrekkes.
- Søkere med registrert funksjonshemningsbevis foretrekkes.
- Referanser kan innhentes med søkerens samtykke etter intervjuprosessen.
- Det kan være en prøvetid på tre måneder.