Ingénieur·e en apprentissage automatique, II - Routes et voies

À propos de l’entreprise  

À Torc, nous avons toujours cru que la technologie des véhicules autonomes transformera la façon dont nous voyageons, transportons la marchandise et faisons des affaires.  

Leader de la conduite autonome depuis 2007, Torc a passé plus d’une décennie à commercialiser des solutions aux côtés de partenaires chevronnés. Nous faisons maintenant partie de la famille Daimler, ce qui nous permet de nous concentrer uniquement sur le développement de logiciels pour les camions automatisés. Nous transformerons la façon dont le monde transporte la marchandise.  

Joignez-vous à notre équipe : catapultez votre carrière au sein de l’entreprise ayant contribué à créer la technologie de conduite autonome (CA). Nous sommes la première entreprise de logiciels de CA ayant eu la vision de faire équipe directement avec un constructeur de camions.  

La connaissance de l’anglais est exigée puisque la personne retenue devra collaborer de façon journalière avec des collègues anglophones aux États-Unis et travailler avec la documentation technique rédigée uniquement en anglais. 

Rencontrez l’équipe 

En tant qu’ingénieur·e en apprentissage automatique, II - Routes et voies, vous aiderez à développer les modèles de prochaine génération qui estiment les surfaces des routes ainsi que la géométrie et la topologie des voies au sein de la pile d’autonomie de Torc. Vous travaillerez étroitement avec les équipes de perception, de cartographie et de planification afin d’offrir des modèles de perception de voies de grande qualité et prêts pour la production, permettant une conduite autonome sécuritaire et fiable des camions. 

Ce que vous ferez 

• Développer et entraîner la vision par ordinateur et les modèles d’apprentissage profond pour la détection des voies de la route à l’aide de données des capteurs monoculaires et multimodaux (caméras, LiDARs et radars). 

• Concevoir des modèles de surface des routes en 3D et de géométrie des voies dans l’espace BEV, et intégrer le tout au pipeline d’autonomie de Torc. 

• Analyser le rendement des modèles, identifier les « corner cases » et améliorer la robustesse dans diverses conditions environnementales et longue traîne. 

• Développer et optimiser des flux de travail de traitement des données à grande échelle, y compris les annotations, le pseudo-étiquetage et l’augmentation des données. 

• Mettre en œuvre des pipelines adaptatifs d’entraînement et d’évaluation pour les modèles de perception des voies. 

• Prendre la responsabilité du travail de déploiement afin d’optimiser les modèles pour l’exécution en temps réel sur le matériel de grade automobile. 

• Exploiter les cartes SD et HD connues afin d’améliorer l’exactitude et la stabilité de l’estimation des voies. 

• Contribuer aux discussions architecturales, aux révisions de modèles et aux efforts d’intégration au niveau système. 

Ce dont vous aurez besoin pour réussir 

• Baccalauréat en informatique, robotique, génie électrique, apprentissage automatique ou autre domaine connexe avec au moins 4 ans d’expérience ou une maîtrise avec au moins 2 ans d’expérience. 

• Expérience pratique en développement de modèles d’AA pour les tâches de perception comme la détection de voies, la modélisation des surfaces de la route, la fusion de plusieurs caméras ou l’estimation de la géométrie connexe. 

• Grande compréhension de l’étalonnage de caméras, d’alignement de plusieurs capteurs et de projection entre les espaces d’images et BEV. 

• Compétences avec Python et PyTorch, avec de l’expérience en codage d’AA de qualité production. 

• Expérience en entraînement de modèles sur de grands ensembles de données et en utilisation d’environnements informatiques adaptatifs. 

• Compréhension des architectures d’AA pertinentes, comme les CNN, les transformateurs et les réseaux de perception sur les BEV. 

• Capacité à analyser les données métriques du rendement des modèles, déboguer les cas d’échec et itérer efficacement. 

• Capacité à travailler avec les équipes d’autonomie, de perception et d’ingénierie logicielle. 

Points bonus