О проекте
В активно развивающийся проект - разработка высокотехнологичных решений для защиты гражданских и промышленных объектов от БПЛА, ищем Инженер по алгоритмам наведения и обучения траекториям / RL - Engineer — Trajectory Learning & Guidance.
Ключевая задача:
Разработать алгоритмы роевых действий перехватчиков: несколько перехватчиков на одну цель, оптимальный выбор перехватчика под тип цели, перераспределение перехватчиков для повышения вероятности роевого перехвата, а также динамическое целераспределение в условиях меняющейся обстановки.
Немного о компании:
•Являемся обособленным подразделением одного из крупнейших застройщиков.
•Стартап, с высокой скоростью развития и интересными задачами.
•В команде нам важна инициативность, готовность брать ответственность, самостоятельно находить решения.
Стек: Python, PyTorch, JAX, Ray/RLlib, Stable Baselines3, ROS 2, Gazebo, Isaac Gym, C++, Docker, GPU-кластер.
Чем предстоит заниматься
•Разработка и обучение мультиагентных RL-политик (MARL): MAPPO, MADDPG, QMIX, EA-MADDPG.
•Разработка алгоритмов роевого перехвата: распределение ролей (основной, страховочный, разведчик), координация, избегание коллизий.
•Оптимальный выбор перехватчика под тип цели: по дальности ПУ, скорости, ТТХ, вектору подлёта и сектору поражения.
•Динамическое перераспределение перехватчиков при появлении новых целей, отказах и промахах.
•Разработка графовых нейронных сетей (GNN, GAT) для моделирования динамических связей между перехватчиками и целями.
•Разработка иерархических архитектур: стратегическое распределение задач + тактическое управление маневрами.
•Обучение политик для сценариев групповых и роевых атак противника.
•Перенос обученных политик из симуляции на edge-устройства.
•Сотрудничество с GNC-инженером для интеграции роевых поведений с индивидуальным наведением.
Наши ожидания
•Высшее образование: ML, робототехника, computer science, прикладная математика.
•5+ лет опыта в multi-agent systems, swarm robotics или distributed AI.
•Глубокое понимание: MDP, теория игр, MARL, иерархическое RL, decentralized control.
•Опыт обучения и деплоя RL-агентов для робототехники или автономных систем.
•Уверенное программирование: Python (PyTorch, JAX, Ray/RLlib), C++.
•Опыт работы с симуляторами (Gazebo, Isaac Gym, PyBullet, AirSim).
•Понимание ограничений edge-вычислений и real-time.
•Опыт переноса моделей из симуляции на реальное железо (sim2real).
Будет плюсом
•PhD в области RL, мультиагентных систем или робототехники.
•Публикации в top-tier конференциях (NeurIPS, ICML, ICLR, CoRL, AAMAS).
•Опыт в оборонной или аэрокосмической отрасли.
•Опыт с adversarial RL, game theory, minimax.
•Опыт с graph attention networks для task allocation в counter-drone сценариях.
•Знание ROS 2, PX4, MAVLink.
•Опыт работы с GPU-кластерами и MLOps.
Мы предлагаем
•Оформление по ТК РФ.
•Удаленный формат работы с возможностью выбора начала рабочего дня.
•Конкурентную заработную плату по итогам собеседования.
•Работу с современным оборудованием и вычислительными ресурсами.
•Участие в интересных инженерных задачах, НИОКР и испытаниях.
•Профессиональный рост в сфере БПЛА и ИИ.
•Работу в сильной команде инженеров и разработчиков, где ценятся инициативность, ответственность и техническая экспертиза.
