Staff级深度学习工程师，状态估计——Shield AI（远程，美国）
负责 Shield AI 自主防御系统的深度学习与三维视觉工作。 开发用于状态估计的定位、导航和 Hivemind SDK 能力。
描述
- 创建并评估用于特征检测、匹配、视觉对应、深度、相对位姿和图像到地图定位的模型。
- 融合学习型视觉特征与几何技术，提升定位精度、鲁棒性和恢复能力。
- 负责数据准备与监督实践，包括数据集整理、标注规范、标注工具、自动化质量控制和覆盖率分析。
- 评估深度学习工具，并通过实验跟踪、配置控制以及数据集和模型版本管理，建立可复现的训练流程。
- 构建能够应对光照、视角、飞行高度、地形、天气和传感器属性变化的评估方案。
- 调查模型失效原因，并推动数据、监督、建模和系统集成方面的改进。
- 与状态估计工程师合作，将学习得到的测量值和置信度估计纳入 VIO 与地形相对导航系统。
- 根据机载计算、内存和延迟限制评估模型，并参与优化和运行时验证。
- 为 Hivemind SDK 开发经过测试并有文档记录的组件和接口。
- 与软件、系统和飞行测试团队协调合作。
任职要求
- 航空航天工程、电气工程、机器人学、计算机科学或相关学科硕士学位，并至少拥有 4 年相关专业经验；或拥有博士学位并具备 2 年相关经验。
- 具备使用 PyTorch 或同类框架设计、训练、调试和评估模型的实践经验。
- 深入理解相机模型、坐标变换、射影几何和多视图几何。
- 具备计算机视觉导航、视觉地理定位、运动恢复结构、SLAM、三维重建或深度估计等领域的应用经验。
- 具备高级 Python 技能，并有开发可维护、可复用软件的经历。
- 具备推动计算机视觉能力从问题定义和原始数据，发展到训练、评估和集成就绪的经验。
- 具备开发传感器数据处理管线的经验，涵盖数据摄取、清洗、筛选、去重和数据集版本控制。
- 能够选择开发工具，并创建涵盖配置管理、实验跟踪、检查点管理和 GPU 性能调试的可复现训练工作流。
- 具备创建基准测试、防止数据泄漏、检查不同运行条件下的性能，以及将模型指标与下游几何或定位精度关联的经验。
- 能够分析推理延迟和内存消耗，记录模型接口与预处理流程，评估精度与计算资源之间的权衡，并就导出、精度和运行时优化提供建议。
- 沟通清晰，能够解释假设、实验结果和设计权衡，并将研究成果转化为生产软件。
- 录用通知以通过背景调查为前提，并可能包括推荐人核查。
福利待遇
- 奖金薪酬。
- 福利套餐。
- 股权参与。
- 临时员工入职 60 天后可获得临时福利套餐。