Reinforcement Learning Engineer (Autonomous Driving)

담당업무

• VLA policy와 simulator의 observation/action interface 설계

• GRPO, PPO 등 policy optimization을 이용한 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 policy의 안전성과 일반성 검증

• reward hacking 및 simulator bias 분석

• 강화학습 아이디어의 설계부터 대규모 학습, 평가, driving model 통합까지 주도

지원자격

• Machine Learning, Reinforcement Learning 또는 Robotics 분야 연구·개발 역량

• Python과 PyTorch를 활용한 policy learning 알고리즘 구현 및 학습·평가 경험

• Policy optimization, reward design, credit assignment에 대한 이해와 RL 실험 설계 역량

• Simulation 또는 multi-agent 환경에서 policy를 학습하고 baseline 대비 개선을 검증한 경험

• 해외 오피스와 기술 이슈를 논의하고 협업할 수 있는 영어 커뮤니케이션 역량

우대사항

• Self-play, multi-agent RL 또는 policy population 기반 training 구조 개발 경험

• VLA 또는 generative policy에 GRPO, PPO 등 RL post-training을 적용한 경험

• Vector 또는 occupancy 기반 driving simulator에서의 policy 학습 또는 world model 기반 rollout planning 개발 경험

• 대규모 parallel rollout, distributed training 또는 sim-to-real 검증 경험

• 국가보훈대상자 및 취업보호 대상자 우대

• 장애인 등록증 소지자 우대

전형절차

1. 서류 전형

2. 1차 면접: 화상, 1시간 내외

3. 2차 면접: 대면 또는 화상, 3시간 내외

4. 처우 협의·입사

지원 및 기타 안내

• 일정 및 진행 상황에 따라 전형 절차 일부 변경 가능

• 전형 결과는 등록 이메일로 개별 안내

• 지원서에 주민등록번호, 가족관계, 혼인 여부, 연봉, 사진, 신체조건, 출신 지역 등 채용절차법상 요구 금지 정보 제외

• 의뢰하지 않은 서치펌 이력서는 접수하지 않으며, 요청하지 않은 이력서에 대한 수수료 미지급

• 지원서 허위 사실 확인 시 입사 취소 가능

• 인터뷰 종료 후 지원자 동의하에 평판조회 진행 가능

마감기한

상시채용