Reinforcement Learning Engineer (Autonomous Driving)
공고 요약
원티드담당업무
end-to-end driving model의 주행 성능 향상을 위한 reinforcement learning 방법 개발
VLA policy와 simulator의 observation/action interface 설계
GRPO, PPO 등 policy optimization을 활용한 closed-loop RL post-training 개발
Vector 또는 occupancy 기반 driving simulator에서 ego와 traffic agent가 policy 및 과거 checkpoint와 상호작용하는 self-play training 구조 개발
여러 future scenario에서 candidate action과 trajectory를 rollout하고 expected return 및 safety constraint 기반 action selection 개발
closed-loop benchmark로 policy 안전성과 일반성 검증, reward hacking 및 simulator bias 분석
자격요건
Machine Learning, Reinforcement Learning 또는 Robotics 관련 경력 3년 이상 또는 이에 준하는 연구·개발 역량
Python과 PyTorch로 policy learning 알고리즘을 구현하고 학습·평가한 경험
Policy optimization, reward design, credit assignment 이해 및 RL 실험 설계 역량
Simulation 또는 multi-agent 환경에서 policy를 학습하고 baseline 대비 개선을 검증한 경험
해외 오피스와 기술적 이슈를 논의하고 협업할 수 있는 영어 커뮤니케이션 역량
복리후생
식대 지원
건강검진 지원
자기계발 지원
지원방법
지원하기
마감기한
상시채용
42dot 지원하기 전 이력서 Check
시간이 없다면 AI와 한번에 수정해보세요
공고 원문
소개
About the Team & Mission 42dot의 자율주행 VLA 팀은 Vision-Language-Action (VLA) 모델을 통해 차량이 복잡한 도로 상황을 이해하고, 판단을 주행 행동으로 연결하도록 만드는 기술을 개발합니다. 실제 주행 데이터, 모델 학습, closed-loop simulation과 실차 검증을 연결해 모델의 취약점을 발견하고 주행 성능을 지속적으로 개선하는 것을 목표로 합니다. 이 포지션은 end-to-end driving model의 주행 성능을 높이는 reinforcement learning 방법을 개발합니다. Behavior cloning으로 학습한 모델을 reward와 feedback으로 더 개선할 수 있는 기회를 찾고, 유망한 아이디어의 설계부터 대규모 학습, 엄밀한 평가와 driving model 통합까지 주도할 분을 찾습니다.
주요업무
• VLA policy와 simulator의 observation/action interface를 설계하고 GRPO, PPO 등 policy optimization 기법으로 closed-loop RL post-training을 개발합니다. • Vector 또는 occupancy 기반 driving simulator에서 ego와 traffic agent가 학습 중인 policy 및 과거 checkpoint로 상호작용하는 self-play training 구조를 개발합니다. • 학습된 policy의 candidate action과 trajectory를 여러 가능한 future scenario에서 rollout하고, expected return과 safety constraint에 기반한 action selection을 simulation 환경 개발 담당자와 공동 개발합니다. • Closed-loop benchmark로 policy의 안전성과 일반화를 검증하고 reward hacking 및 simulator bias를 분석합니다.
자격요건
• Machine Learning, Reinforcement Learning 또는 Robotics 관련 경력 3년 이상 또는 이에 준하는 연구/개발 역량을 보유하신 분. • Python과 PyTorch로 policy learning 알고리즘을 구현하고 학습과 평가를 수행한 경험이 있으신 분. • Policy optimization, reward design과 credit assignment를 이해하고 RL 실험을 설계할 수 있으신 분. • Simulation 또는 multi-agent 환경에서 policy를 학습하고 baseline 대비 개선을 검증한 경험이 있으신 분. • 해외 오피스와 기술적 이슈를 논의하고 협업할 수 있는 영어 커뮤니케이션 역량을 보유하신 분.
우대사항
• Self-play, multi-agent RL 또는 policy population을 활용한 training 구조를 개발한 경험이 있으신 분. • VLA 또는 generative policy에 GRPO, PPO 등 RL post-training을 적용한 경험이 있으신 분. • Vector 또는 occupancy 기반 driving simulator에서 policy를 학습했거나, world model 기반 rollout planning을 개발한 경험이 있으신 분. • 대규모 parallel rollout, distributed training 또는 sim-to-real 검증 경험이 있으신 분.
혜택 및 복지
[42dot만의 업무 몰입 프로그램] https://42dot.ai/ko/careers/employee-engagement-program
