Планирование движения — одна из самых сложных задач в сфере автономных технологий. Мы экспериментируем с большими генеративными моделями, чтобы предсказывать, как будет двигаться автомобиль. Траектория должна быть безопасной для всех участников движения, комфортной для пассажира и позволять автомобилю доехать до конечной точки маршрута. Мы хотим улучшить модель, чтобы она лучше справлялась с новыми дорожными ситуациями. Для этого исследуем новые алгоритмы RL‑обучения, экспериментируем с наградами и работаем с данными. В том числе развиваем направление сложных и редких сценариев для обучения ML‑планировщика. Вам предстоит не только изучать статьи и пробовать разные подходы, но и внедрять собственные разработки в пайплайн движения автомобиля. Вы сможете увидеть, как ваша работа улучшает качество технологии.

Обязанности:

Разработка алгоритмов
Вы будете разрабатывать алгоритмы, которые генерируют синтетические дорожные сценарии для ML‑планера. При этом предстоит изучить много материалов, придумать разные подходы и разобраться, как их воплотить в жизнь. Исследование методов работы с агентами
Вы будете экспериментировать с разными подходами, в том числе с reinforcement learning и диффузионными моделями (diffusion models), чтобы изменить поведение агентов или добавить новых на сцену и создавать синтетический контент. Улучшение RL‑обучения
Вы будете работать с синтетическими данными: не только создавать качественную синтетику, но и обучать модели на ней. Важно найти баланс между синтетическими и реальными данными, а также понять, как улучшать обучение при добавлении сцен без Ground Truth водителя. Больше об ML в Яндексе — в канале Yandex for ML

Ключевые навыки:

  • Обучали нейросетевые модели
  • Внедряли DL‑решения в продакшн
  • Программировали на Python
  • Работали с PyTorch
  • Знаете классические структуры данных и алгоритмы
  • Ориентируетесь в области DL
  • Быстро разбираетесь в новых методах
  • Умеете выдвигать гипотезы и выстраивать эксперименты для их проверки
  • Читаете статьи о ML
  • Следите за развитием области ML

Дополнительные требования:

  • Внедряли методы обучения с подкреплением в продакшн
  • Работали с диффузионными моделями
  • Публиковались в сборниках научных конференций высокого уровня
  • Работали с большими объёмами данных
  • Участвовали в соревнованиях по ML или спортивному программированию
  • Увлечены автомобилями или автономными автомобилями