RL-инженер в команду локомоции человекоподобных роботов
Решение задачи локомоции — один из ключевых вызовов в современной робототехнике. Мы создаём и обучаем модели, которые учат роботов ходить, сохранять равновесие и выполнять сложные двигательные действия в рамках симуляции и в реальном мире.
Вы будете работать с RL-агентами в Isaac Lab и MuJoCo, разрабатывать физические сцены: от лестниц до пересечённой местности, адаптировать современные подходы вроде Residual RL и Diffusion Policy под реальные задачи движения.
Задача — научить робота двигаться естественно, устойчиво и безопасно.
Обучение RL-агентов локомоции
Вам предстоит создавать и обучать политики ходьбы, балансировки и сложных двигательных скиллов в Isaac Lab и MuJoCo.
Исследование и применение современных методов RL
Вы будете адаптировать под задачи локомоции разные идеи из научных статей: от Residual RL до transformer-control.
Создание и усложнение симуляционных сред
Нужно будет проектировать физические сцены, на которых роботы будут учиться двигаться: лестницы, неровные поверхности, препятствия.
Анализ и улучшение поведения агентов
Предстоит разрабатывать метрики, валидировать reward-функции, искать неочевидные зависимости и точки роста в поведении моделей.
Внедрение разработок на реальных роботах
Вы будете переносить обученные политики на реальные платформы и наблюдать, как ваши модели начинают двигаться в физическом мире.
Больше об ML в Яндексе — в канале Yandex for ML
- Обучали модели RL и внедряли решения в продакшен или исследовательские пайплайны
- Уверенно программируете на Python и работаете с PyTorch
- Понимаете кинематику и динамику роботов
- Разбираетесь в современных RL-подходах PPO, SAC, TD3 и т. д.
- Умеете формулировать гипотезы и выстраивать эксперименты для их проверки
- Читаете и внедряете идеи из научных статей с ICRA, CoRL, NeurIPS, RSS и других
- Имеете опыт работы с Isaac Lab, Isaac Gym и MuJoCo
- Знаете C++ или CUDA, имеете опыт симуляции физики и оптимизации вычислений
- Понимаете подходы Early Experience и Diffusion Policy
