Инженер-программист КШ

Проекты, над которыми предстоит работать:
- Разработка систем восприятия для автономной
навигации в условиях города;
- Мультиплатформенное зрение: создание универсальных алгоритмов Vision для различных типов роботов;
- Video & Sensor Fusion: решение задач детекции,
сегментации и трекинга объектов, объединяя данные с камер и лидаров.

Обязанности:
- Проектирование и обучение DL-моделей для
распознавания объектов (автомобили, пешеходы, препятствия) и семантической сегментации пространства в 3D;
- Разработка алгоритмов фильтрации, кластеризации и сегментации (Ground Plane Estimation, Map-based ROI Filtering);
- Внедрение и кастомизация алгоритмов сопоставления и локализации (ICP, GICP, NDT, MCL).
- Работа с графовой оптимизацией и факторами
неопределенности;
- Генерация и обновление Occupancy Grids и Costmaps для модулей планирования пути;
- Написание критичных к производительности
узлов на C++ с использованием CUDA для параллельных вычислений;
- Разработка и поддержка процедур автоматической калибровки лидаров относительно других сенсоров платформы.

- Уверенное владение C++ (17/20) и Python. Опыт работы с CUDA для ускорения обработки данных;
- Уверенное знание PCL (Point Cloud Library), Eigen, OpenCV;
- Понимание теории фильтрации (EKF, UKF), алгоритмов оптимизации (Ceres Solver, GTSAM) и дескрипторов 3D-геометрии;
- Опыт работы с SOTA-архитектурами для 3D (PointNet++, CenterPoint, PV-RCNN или аналоги на PyTorch);
- Практический опыт работы в ROS / ROS 2 (интеграция сенсоров, работа с TF2, настройка кастомных сообщений);
- Linux, Docker, CMake на уровне опытного пользователя.

Желательно:

- Участие в проектах Self-Driving Cars или складской автономной логистики;
- Глубокое понимание современных фреймворков
Lidar-Inertial Odometry (LIO-SAM, Fast-LIO2, DLIO) и практический опыт реализации алгоритмов закрытия петли (Loop Closure Detection);
- Опыт работы с Radar-данными (обработка доплеровского сдвига, CFAR-фильтрация);
- Опыт написания кастомных CUDA-ядер для специфических задач фильтрации и сегментации облаков точек;
- Навыки работы с геоинформационными данными
(PDAL, PROJ) и понимание архитектуры HD-карт.