Команда Detector Alignment в составе отдела восприятия Автономного транспорта отвечает за то, чтобы автомобиль корректно «видел» и интерпретировал окружающую среду в любых условиях эксплуатации: днём и ночью, в дождь, снег и туман. Наша задача — обеспечить согласованную и устойчивую работу детекторов и сегментационных моделей в реальном мире. Мы работаем с данными камер, лидаров и радаров, создаём нейросетевые алгоритмы и доводим их до надёжного продакшена на автомобиле.

Обязанности:

Разработка и улучшение моделей детекции и сегментации
Обучать и адаптировать модели для детекции автомобилей, пешеходов и других динамических объектов, сегментации проезжей части и выделения важных элементов сцены. Alignment и устойчивость моделей в реальных условиях
Работать над обобщающей способностью моделей в различных погодных и световых условиях, на разных сенсорных конфигурациях и в новых географиях. Мультимодальная обработка данных
Интегрировать информацию с камер, лидаров и радаров, исследовать способы её эффективного объединения. Определение условий допустимой эксплуатации
Разрабатывать алгоритмы для определения погодных условий, состояния дороги и других факторов, влияющих на возможность безопасного движения. Продакшен и масштабирование
Оптимизировать модели, анализировать ошибки, работать с большими объёмами данных и инфраструктурой обучения. Больше об ML в Яндексе — в канале Yandex for ML

Ключевые навыки:

  • Обучаете нейросетевые модели, работаете с разными подходами
  • Работали с PyTorch или TensorFlow и фреймворками поверх них
  • Стремитесь использовать в работе и распространять универсальные, масштабируемые практики
  • Ориентируетесь в мире прикладного DL: знаете теорию компьютерного зрения, добиваетесь практических результатов
  • Понимаете особенности realtime-ограничений
  • Читаете статьи с ML-конференций, следите за развитием области

Дополнительные требования:

  • Работали с мультимодальными моделями (камера + лидар + радар)
  • Имели дело с большими моделями (LLM, VLM, Foundation Models) в иных доменах
  • Выполняли задачи автономного транспорта