Robotter, der autonomt genopfylder hylder med en pålidelighed, som en kunde godkender – det er missionen for denne rolle. Du vil lede Hive Robots ApS' autonome manipulationsindsats fra ende til anden: politikstakken, dataene bag den, den evalueringsdisciplin, der holder tallene ærlige, og den arkitektoniske retning for hele sporet.
Du vil arbejde med erfarne VLA-ingeniører, som er klar til at dykke dybere med den rette tekniske leder.
Dine opgaverAnsvar for manipulationspolitikstakken fra dataindsamling gennem træning til on-robot evaluering.
Følg banebrydende AI-manipulationsforskning, test det på Hive Robots ApS' hardware, og beslut hvad der skal adopteres, finjusteres eller bygges.
Ansvar for den målte succesrate – og den metodologi, der gør den troværdig.
Træn modeller, der er robuste over for sensorstøj, delvis observerbarhed, kontaktdynamik og miljøvariabilitet.
Samarbejd med de øvrige tech stack-teams for at drive udviklingen af Hive Robots ApS' humanoide software.
Sikre gribekvalitet og kontaktadfærd fra manipulationssiden.
Mentorér og teknisk led ingeniørerne på manipulationssporet.
En kombination af følgende:
Du har trænet og implementeret en succesfuld manipulationspolitik på reel hardware.
Stærk real-robot evalueringsdisciplin – du forstår, hvordan og hvorfor benchmark-ydeevne adskiller sig fra felt-ydeevne, og hvordan man lukker det hul.
En data-først debugging-tankegang: når en politik underpræsterer, ser du på dataene før modellen.
Senioritet til at udvide og forbedre en eksisterende kodebase og til at hæve den tekniske standard omkring dig.
Praktisk erfaring med udvikling og implementering af robotlæringsalgoritmer på hardware.
En ægte stræben efter pålidelighed i felten.
Python, PyTorch, VLA (vision-language-action) modelfamilier, RL.
On-robot inferensimplementering (ONNX/TensorRT-klasse).
Dataloggings- og real-robot evalueringspipelines.
Git, GitHub, Docker og CI til reproducerbar træning og implementering.
Træningsinfrastruktur for imitation og politiklæring i stor skala.
Ekspertise i at arbejde i Linux.
Humanoid eller bimanuel manipulation.
Detail- eller logistikindustrien.
Perceptionsviden: estimering af objektposition, dybdeestimationsmodeller, succesdetektion.
Grebfunktion baseret på touch-sensorer.
Simulationsværktøjer som NVIDIA Isaac Sim eller MuJoCo.
