Machine Learning Engineer - Sim2Real & Machine Modeling in Zürich

Gravis Robotics ist ein schnell wachsendes Series A Start-up, das von SoftBank unterstützt wird und Physical AI in die Bauindustrie bringt, indem es schwere Baumaschinen in autonome Roboter verwandelt. Gravis begann als Spin-off der ETH Zürich, und unsere einzigartige Kombination aus lernbasierter Automatisierung und augmentierter Fernsteuerung ermöglicht es einem Bediener, sicher eine Flotte von Erdbewegungsmaschinen in einer gamifizierten Umgebung zu steuern. Unterstützt von tiefgehender Robotikforschung und nun in mehreren Ländern mit führenden Bau- und Ausrüstungsunternehmen im Einsatz, wächst unser Team schnell, um diese Technologie in eine Billionen-Dollar-Industrie zu bringen.

Der Gravis RACK ist ein maschinenagnostisches Nachrüstkit, das Autonomie für Bagger und Radlader von 10 bis über 100 Tonnen hinzufügt: LiDAR- und Kamerasensorik, GNSS RTK, Netzwerkhardware und robuste Edge-Computing-Lösungen, die offline funktionieren. In Kombination mit dem Slate-Tablet und unserer Copilot-Software ermöglicht es einem Bediener, eine Maschine manuell, mit KI-Unterstützung oder vollständig autonom zu betreiben. Zunehmend bauen wir auch maßgeschneiderte Hardware, um unsere Maschinen für hochspezialisierte, robuste Anwendungen über traditionelle Ausgrabungen hinaus anzupassen.

Über die Rolle

Das Autonomie-Team bei Gravis verlässt sich stark auf Simulationen, um autonome Steuerungen zu entwickeln. Ob diese Steuerungen auf der Maschine funktionieren, hängt davon ab, wie gut wir die Sim2Real-Lücke schließen. In dieser Rolle werden Sie uns helfen, diese Lücke zu überbrücken. Wir suchen jemanden mit starkem ML/RL-Hintergrund und Erfahrung mit realen Robotersystemen.

Was Sie tun werden

• Maschinen- und Dynamikmodellierung
• ML-Modelle erstellen, um die Sim2Real-Lücke zu überbrücken
• Entscheiden, welche Architektur das Problem tatsächlich benötigt - Sequenzmodelle, Zustandsraumformulierungen oder etwas anderes - und die Wahl mit Daten untermauern
• Charakterisieren, wo die Lücke tatsächlich herkommt: welche nicht modellierten Effekte den Sim2Real-Transfer behindern und welche wir sicher ignorieren können
• Beantworten, wie viele Daten benötigt werden und welche Verteilung sie abdecken muss
• Leistungsüberwachung
• Die Leistungskennzahlen und Validierungsmethodik für Modelltreue und Sim2Real-Transfer definieren
• Modelle und Methoden entwickeln, die Änderungen der Maschinenmerkmale im Laufe der Zeit erkennen
• Eng mit den Autonomie- und Simulationsteams zusammenarbeiten — Ihre Modelle beeinflussen die Steuerungen, die auf der Maschine laufen

Was wir suchen

Erforderlich

• Abschluss in Informatik, Robotik, Maschinellem Lernen, Ingenieurwesen oder einem verwandten Bereich
• Starke Python- und PyTorch-Kenntnisse, starke Git-Fähigkeiten
• Solide Erfahrung in der Modellierung von Zeitreihendaten oder dynamischen Systemdaten aus großen Datensätzen - Sequenzmodelle, Systemidentifikation oder Zustandsraumansätze
• Starke analytische Fähigkeiten: Sie entwerfen das Experiment, führen die Ablation durch und ziehen eine Schlussfolgerung, die Sie verteidigen würden

Wünschenswert

• Erfahrung im Reinforcement Learning
• Imitationslernen oder Lernen aus Demonstrationen, insbesondere aus Daten menschlicher Bediener
• Vertrautheit mit aktueller Literatur und Methoden in gelernten Verhaltensrichtlinien
• Klassische Systemidentifikation, Regelung oder Hydraulik-Hintergrund

Diese Rolle passt gut zu Ihnen, wenn…

• Sie Probleme außerhalb des Labors lösen möchten
• Sie eine Kultur mögen, in der die beste Idee gewinnt, egal ob sie vom CTO oder einem Praktikanten kommt, solange sie durch Zahlen untermauert ist
• Sie sich wohlfühlen, das Ergebnis von Anfang bis Ende zu besitzen: Wenn die benötigten Daten noch nicht existieren, gehen Sie vor Ort, berühren die Maschine und beschaffen sie
• Sie ein einfaches Modell bevorzugen, das messbar die Lücke schließt, gegenüber einem komplexen, das es möglicherweise tut, und Sie geduldig genug sind, um Schritt für Schritt dorthin zu gelangen

Dies ist eine Gelegenheit, Teil eines dynamischen, multidisziplinären Teams zu werden und Teil eines Unternehmens zu sein, das die schwere Bauindustrie neu gestaltet.

Gravis ist ein Arbeitgeber, der Chancengleichheit bietet. Wir setzen uns dafür ein, ein inklusives und diverses Team aufzubauen und diskriminieren nicht aufgrund von Rasse, Hautfarbe, Abstammung, nationaler Herkunft, Religion, Geschlecht, sexueller Orientierung, Alter, Geschlechtsidentität, Geschlechtsausdruck, Behinderung, Veteranenstatus oder anderen gesetzlich geschützten Merkmalen.

Wir können künstliche Intelligenz (KI)-Tools verwenden, um Teile des Einstellungsprozesses zu unterstützen, wie z.B. die Überprüfung von Bewerbungen, die Analyse von Lebensläufen oder die Bewertung von Antworten und die Identifizierung potenzieller Inkonsistenzen oder Verifizierungssignale in Bewerbungsunterlagen basierend auf verfügbaren Informationen. Diese Tools unterstützen unser Rekrutierungsteam, ersetzen jedoch nicht das menschliche Urteil. Die endgültigen Einstellungsentscheidungen werden letztendlich von Menschen getroffen. Wenn Sie weitere Informationen darüber wünschen, wie Ihre Daten verarbeitet werden, kontaktieren Sie uns.