Ingénieur(e) principal(e) en apprentissage automatique at Torc Robotics

, , Canada -

Full Time

Start Date

Immediate

Expiry Date

24 Feb, 26

Salary

313800.0

Posted On

26 Nov, 25

Experience

10 year(s) or above

Remote Job

Yes

Telecommute

Yes

Sponsor Visa

Skills

Machine Learning, Deep Learning, End-to-End Model Development, Multimodal Learning, Sensor Fusion, Python, PyTorch, TensorFlow, Reinforcement Learning, Imitation Learning, Data Debugging, Model Interpretability, Simulation, Vehicle Dynamics, Technical Leadership, Mentoring

Industry

Truck Transportation

Description

À propos de l’entreprise À Torc, nous avons toujours cru que la technologie des véhicules autonomes transformera la façon dont nous voyageons, transportons la marchandise et faisons des affaires. Leader de la conduite autonome depuis 2007, Torc a passé plus d’une décennie à commercialiser des solutions aux côtés de partenaires chevronnés. Nous faisons maintenant partie de la famille Daimler, ce qui nous permet de nous concentrer uniquement sur le développement de logiciels pour les camions automatisés. Nous transformerons la façon dont le monde transporte la marchandise. Joignez-vous à notre équipe : catapultez votre carrière au sein de l’entreprise ayant contribué à créer la technologie de conduite autonome (CA). Nous sommes la première entreprise de logiciels de CA ayant eu la vision de faire équipe directement avec un constructeur de camions. Rencontrez l’équipe : En tant qu’ingénieur(e) en apprentissage automatique, vous dirigerez la conception et le déploiement d’architectures basées sur l’apprentissage qui relient les données de perception aux décisions de conduite, faisant ainsi progresser la performance de la conduite autonome en boucle fermée. Vous concevrez l’architecture et ferez progresser les approches de Torc de bout en bout grâce à des pipelines unifiés et différenciables, en tirant parti d’énormes ensembles de données réelles et simulées pour améliorer continuellement l’intelligence du système. Il s’agit d’un rôle de leadership technique à fort impact, axé sur la recherche de modèles de base et le développement d’apprentissage automatique à grande échelle, et non sur la logique de couche de caractéristiques ou la planification basée sur des règles. Ce que vous ferez Diriger la conception et le développement de modèles E2E, définir des architectures qui mettent directement en correspondance les entrées de capteurs multimodaux (caméra, LiDAR, radar, cartes HD) avec des actions de conduite ou des fonctions de coût de niveau moyen ou élevé. Diriger la formation et l’évaluation à grande échelle pour l’apprentissage E2E, en intégrant des données provenant de la perception, de la prédiction du comportement et des systèmes de contrôle. Développer et affiner les objectifs d’apprentissage qui s’harmonisent sur les paramètres de conduite du monde réel : sécurité, confort, conformité et efficacité. Construire des pipelines évolutifs pour l’apprentissage multitâche et multimodal, en tirant parti des données réelles et synthétiques. Effectuer le prototypage et évaluer de nouveaux paradigmes, tels que la planification différentiable, l’apprentissage par imitation, l’apprentissage par renforcement et les modèles du monde pour le comportement AV. Collaborer de façon transversale avec les équipes de Perception, de prédiction et de planification des mouvements pour harmoniser les interfaces et assurer la cohérence entre les composants acquis et modulaires. Établir des cadres d’évaluation solides pour les performances E2E, y compris la simulation en boucle fermée et la validation sur route. Encadrer les ingénieurs et les scientifiques dans l’expérimentation à grande échelle, l’interprétabilité des modèles et le débogage basé sur les données. Rester à la frontière de la recherche en apprentissage automatique, en explorant les avancées dans les modèles de fondation, la modélisation des séquences, l’auto-supervision et les représentations génératives du monde. Ce dont vous aurez besoin pour réussir : Maîtrise ou doctorat en informatique, génie électrique, robotique ou autre domaine connexe (ou expérience pratique équivalente). 10 ans d’expérience et plus dans le développement de modèles d’apprentissage approfondi pour la perception, la planification ou le contrôle. Une expertise approfondie en apprentissage automatique multimodale, en modélisation de séquences ou en apprentissage de politiques (par exemple, Transformers, modèles de diffusion, apprentissage par imitation). Expérience confirmée dans la formation et l’optimisation de modèles à grande échelle pour des tâches réelles. Solides compétences en Python, PyTorch ou TensorFlow, et expérience des Cadres d’applications en apprentissage automatique distribués. Solide compréhension de la fusion des capteurs, de la modélisation spatio-temporelle et de la dynamique des véhicules. Leadership démontré dans la conduite de feuilles de route techniques, le mentorat d’équipes et la fourniture de solutions d’apprentissage automatique de qualité de production. Expérience de l’utilisation de Ray Points bonus! Expérience du développement de modèles E2E ou de phase intermédiaire à la phase finale pour la conduite autonome, les ADAS ou la robotique. Familiarité avec les cartes de coûts différentiables, la planification de l’espace latent ou le clonage de comportement/l’apprentissage par renforcement dans les domaines de la conduite. Expérience pratique de la formation et de l’évaluation par simulation en boucle. Compréhension de la validation de la sécurité et de l’interprétabilité des systèmes de conduite acquis. Publications ou contributions de logiciel libre dans des sites d’apprentissage automatique ou de robotique de premier plan (CVPR, NeurIPS, ICLR, ICRA, CoRL). Expérience des modèles de base ou de la formation préalable multimodale à grande échelle pour la perception et la planification. Avantages d’être un employé à temps plein Torc’r Torc se soucie de ses membres d'équipe et s'efforce de fournir des avantages et des ressources pour soutenir leur santé, leur équilibre entre vie professionnelle et vie personnelle, ainsi que leur avenir. Notre culture est collaborative, dynamique et axée sur le travail d'équipe. Torc offre: Un programme de rémunération concurrentiel incluant un volet de primes et des options d’achat d’actions Une couverture médicale, dentaire et de la vue pour les employés à temps plein Un régime d’épargne-retraite (REER) avec une contribution de l’employeur de 4 % Une subvention pour le transport en commun (uniquement dans la région de Montréal) Une flexibilité des horaires et des vacances payées généreuses Des fermetures de bureau pendant les congés fériés à l’échelle de l’entreprise Une assurance-vie Notre rémunération reflète le coût de la main-d'œuvre sur plusieurs marchés géographiques. Le salaire est déterminé en fonction d'un certain nombre de facteurs et peut varier en fonction des connaissances, des compétences et de l'expérience liées au poste. Le programme de rémunération globale de Torc comprend également notre prime corporative et notre régime d’options d’achat d’actions. Selon le poste proposé, des primes d’embauche, des indemnités de relocalisation ou d’autres formes de rémunération peuvent aussi être inclus dans le cadre du programme de rémunération globale, en plus d’une gamme complète d’avantages sociaux, médicaux, financiers et/ou autres. À Torc, nous nous engageons à cultiver un milieu de travail diversifié et inclusif. Nous célébrons l’unicité de chaque membre de l’équipe de Torc. Nous ne faisons pas de discrimination par rapport à l’origine ethnique, la religion, la couleur de peau, la nationalité, le genre (y compris la grossesse, les enfants ou autre condition médicale), l’orientation sexuelle, l’identité de genre, l’expression de genre, l’âge, le statut de vétéran ou les handicaps. Même si vous ne répondez pas à 100 % des qualifications énumérées pour ce poste, nous vous invitons à postuler. Fourchette salariale pour le poste Fourchette de rémunération au Canada: $209,200 - $313,800 CAD Numéro de poste: 102406

Responsibilities

Lead the design and development of end-to-end models that connect multimodal sensor inputs to driving actions. Collaborate across teams to ensure consistency and performance in autonomous driving systems.