Ingénieur(e) “Staff" en apprentissage automatique — Détection de route et d at Torc Robotics

Montreal, Quebec, Canada -

Full Time

Start Date

Immediate

Expiry Date

03 Mar, 26

Salary

313800.0

Posted On

03 Dec, 25

Experience

10 year(s) or above

Remote Job

Yes

Telecommute

Yes

Sponsor Visa

Skills

Deep Learning, Computer Vision, Semantic Segmentation, Instance Segmentation, BEV Modeling, Scene Topology Estimation, Data Curation, Active Learning Pipelines, Robust Metrics Development, Self-supervised Pre-training, Temporal Modeling, Distributed Training Pipelines, Python, PyTorch, Model Evaluation, 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 que qu’ingénieu(e) "Staff" en apprentissage automatique axé sur la détection des routes et des voies, vous dirigerez les efforts de développement de modèles qui permettent aux véhicules autonomes de Torc de percevoir et d’interpréter la géométrie des routes, les structures des voies et les surfaces carrossables avec précision et robustesse. Vous définirez la prochaine génération d’architectures d’apprentissage approfondi et d’approches basées sur les données qui extraient la sémantique des routes et des voies à haute fidélité à partir de données de capteurs multimodaux, entraînant des améliorations critiques en matière de précision, de stabilité et d’évolutivité de la perception. Il s’agit d’un rôle de leadership technique axé sur l’innovation et la maturité du modèle, et non sur l’intégration des fonctionnalités en aval. Ce que vous ferez Posséder la feuille de route du modèle pour la détection des routes et des voies au sein de l’organisation d’apprentissage automatique de perception, du concept à la maturité du modèle de niveau de production. Recherche, conception et formation d’architectures neuronales avancées (par exemple, transformateurs BEV multicaméras, modèles de fusion LiDAR-vision, réseaux topologiques de graphes de voies) pour détecter, segmenter et modéliser les structures routières et la connectivité des voies. Diriger la stratégie des données pour ce domaine, définir la curation des données, les politiques d’étiquetage et les pipelines d’apprentissage actif pour capturer les scénarios de longue traîne (par exemple, les occlusions, les fusions complexes, les zones de construction). Développer des métriques robustes et des cadres d’évaluation pour la précision de la géométrie des voies et des routes, la cohérence temporelle et la généralisation interdomaines. Faire progresser les capacités fondamentales, telles que le préentraînement autosupervisé, l’adaptation du synthétique au réel et la modélisation temporelle pour la compréhension des routes et des voies. Mener des expériences à grande échelle : concevoir, exécuter et analyser les résultats des flux de travail de formation distribués et des ablations afin d’identifier des améliorations évolutives. Collaborer avec d’autres équipes de perception pour assurer la cohérence du modèle et de l’interface. Encadrer les ingénieurs et les scientifiques, en définissant les meilleures pratiques pour la formation, l’évaluation des modèles et la qualité du code. Rester à la pointe de la recherche en évaluant et en adaptant les techniques émergentes (par exemple, les grands modèles basés sur le BEV, la prédiction de cartes vectorisées, les transformateurs de graphes de voies) à la perception de niveau de production. Ce dont vous aurez besoin pour réussir: 10 ans d’expérience et plus dans le développement de modèles d’apprentissage approfondi pour la perception ou la vision par ordinateur à l’échelle. Maîtrise ou doctorat en informatique, génie électrique, robotique ou autre domaine connexe (ou expérience équivalente). Expertise approfondie en segmentation sémantique et d’instance, en modélisation BEV ou en estimation de la topologie de la scène. Solide compréhension de la modélisation de la géométrie des voies et des routes, de l’étalonnage des caméras et de la projection des capteurs. Maîtrise de Python et des cadres modernes d’apprentissage automatique (par exemple, PyTorch, Lightning). Expérience des pipelines de formation distribués, de la gestion des expériences et de la manipulation d’ensembles de données à grande échelle. Leadership éprouvé dans l’orientation des feuilles de route techniques, le mentorat des ingénieurs et l’apport d’améliorations mesurables aux modèles. Points bonus! Expérience dans le développement de modèles d’apprentissage automatique pour la conduite autonome, la cartographie ou les systèmes ADAS. Familiarité avec la fusion multimodale (caméra, LiDAR, radar, cartes HD). Expérience pratique des modèles de prédiction topologiques et basés sur le BEV. Contributions à la recherche en apprentissage automatique liée à la perception (CVPR, NeurIPS, ICCV, ICLR, ICRA). Forte intuition pour la qualité des données, l’atténuation des biais et la modélisation de l’incertitude. La connaissance de l’anglais est exigée puisque la personne retenue devra collaborer de façon journalière avec des collègues anglophones aux États-Unis et travailler avec la documentation technique rédigée uniquement en anglais. 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 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. 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. Fourchette salariale pour le poste Fourchette de rémunération au Canada $209,200 - $313,800 CAD Numéro de poste: 102402

Responsibilities

Lead the development of models for road and lane detection in autonomous vehicles. Define the roadmap from concept to production-level model maturity.