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.
