О задаче
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.
Чем предстоит заниматься
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.
Мы ждём, что вы
•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
Будет плюсом, если вы
•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
