Vereinigtes Königreich
OpenTable
Broaden Management Partners
Founding Robot Learning Engineer
RemoteVereinigtes Königreich
London, England, Vereinigtes Königreich
Python
Automatische Übersetzung. Prüfe das Original.
Über die Rolle
Founding Robot Learning Engineer
Der Founding Robot Learning Engineer berichtet an den Engineering Lead (und arbeitet direkt mit Partnern und Gründern zusammen). Er schlägt die Brücke zwischen menschlichen Demonstrationsdaten und der Leistung realer Policies. Sie entscheiden auf Basis empirischer Beweise, welche Datensätze das Unternehmen sammeln sollte und wie diese Daten dargestellt werden sollten.
Diese Rolle kombiniert praktische Daten-Workflow-Entwicklung mit Policy-Experimenten. Sie werden Workflows für die Aufgabensegmentierung und unterstützte Annotationen erstellen, Policy-Datenlader konstruieren und Policy-Trainings- und Evaluierungsexperimente mit egocentrischen und UMI-Datensätzen durchführen, um zu beweisen, dass die Daten des Unternehmens den Erfolg von Roboteraufgaben direkt verbessern.
Rollendetails
| YC-Backed Physical AI & Robotics Startup | London (Remote) | Vollzeit | Bis zu £150K + Equity
Zeitplan: Sofortiger Beginn.
Standort: London (Remote).
Über das Unternehmen
Unser Kunde ist ein von Y Combinator (S26) gestütztes Physical-AI-Datenunternehmen, das grundlegende menschliche Video- und Bewegungsdatensätze für führende Robotik- und Embodied-AI-Teams erstellt. Das Unternehmen konzentriert sich auf egocentrische First-Person-Videos und UMI-Demonstrationsdaten und wandelt reale Erfassungsoperationen in hochpräzise, versionierte Datenprodukte um, auf die sich Foundation-Model- und VLA-Teams zum Trainieren physischer Roboter verlassen.
Nach einer frisch abgeschlossenen Seed-Finanzierungsrunde ist die Kernbeschränkung des Unternehmens das Angebot, nicht die Nachfrage. Sie skalieren aktiv die Deployment-Entwicklung, den Feldbetrieb und die Erfassungs-Hardware, um mit der massiven Kundennachfrage Schritt zu halten.
Die Gründer bauen ein dreiköpfiges Gründer-Entwicklungsteam auf, um die technischen Standards, Werkzeuge und Evaluierungsmethoden für den weltweit referenzfähigen Datensatz für Robotik-Lernen festzulegen.
Hauptverantwortlichkeiten
- Lange Aufnahmen in nützliche Aufgabenintervalle umwandeln, Annotationsschemata für spezifische Kundenbedürfnisse definieren und sicherstellen, dass jede Markierung mit dem Quellvideo verknüpft bleibt.
- KI-Modelle zur Vorschlag von Aufgabengrenzen und Labels einsetzen, unsichere Ergebnisse zur menschlichen Überprüfung weiterleiten, Beschriftungsanweisungen schreiben und die Konsistenz der Prüfer messen.
- Benutzerdefinierte Datenlader und Transformationen erstellen, die Video-, Label- und Bewegungstrajektorien (einschließlich menschlicher Handbewegungen und UMI-Greiferpfade) in Policy-fähige Eingaben formatieren.
- Roboter-Policies auf Basis menschlicher Demonstrationsdaten feinabstimmen und evaluieren, kontrollierte Basisvergleiche, Held-Out-Split-Tests und Aufgabenerfolgsbewertungen unter realistischen Testbedingungen durchführen.
- Erkenntnisse aus der Policy-Evaluierung in präzise Datenempfehlungen übersetzen – und damit Wahrnehmungs- und Erfassungsteams anleiten, welche Aufgaben, Ansichten und Annotationen die höchste Policy-Verbesserung erzielen.
Fähigkeiten & Kompetenzen
- Nachgewiesene Erfahrung im Trainieren, Feinabstimmen und Evaluieren von Roboter-Manipulations- oder Imitationslern-Policies (z. B. Diffusion Policies, VLAs, ACT).
- Starke Python- und PyTorch-Fähigkeiten mit Komfort beim Erstellen von Datenschnittstellen, Ladern und Annotationstools neben der ML-Forschung.
- Tiefes Verständnis von Evaluierungslecks, Datensatz-Konfundern und der Lücke zwischen Offline-Verlustmetriken und dem physischen Erfolg von Roboteraufgaben.
- Erfahrung mit zeitlicher Aktionssegmentierung, Videoannotationen, räumlichen Trajektorien und dem Transfer von Mensch-zu-Roboter-Daten.
Qualifikationen & Erfahrung
- Hintergrund als Robot Learning Engineer, Embodied AI Researcher oder Robotics ML Engineer.
- Nachweisliche Erfolgsbilanz bei der persönlichen Vorbereitung von Trainingsdaten, dem Trainieren oder Feinabstimmen von Roboter-Policies und der Evaluierung von physischen oder simulierten Aufgabenergebnissen.
- Praktische Implementierungserfahrung, die Datensatzentscheidungen direkt mit Policy-Verbesserungen verknüpft, Konfundern identifiziert und Datenlecks verhindert.
- Hintergrund in physischer Roboter-Manipulation, Diffusions-Policies, Vision-Language-Action-Modellen oder Mensch-zu-Roboter-Transfer ist sehr wünschenswert.
Paket: Wettbewerbsfähiges Grundgehalt von bis zu £150K + signifikante Founding-Engineer-Equity mit absoluter Entscheidungsgewalt über Richtlinienbewertung und Datensatzstandards.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen