Разработчик в команду разработки алгоритмов симуляции
This position is no longer accepting applications(closed Jun 21, 2026).
Мы создали собственную систему симуляции поездок для более быстрого и дешёвого тестирования технологии автопилота. В основе нашего подхода — ML-модель, генерирующая реалистичные траектории, а вокруг неё — алгоритмическая обвязка. Ищем опытного разработчика на C++, готового развивать это направление.Разработка поведения агентов симулятора
Вы будете разрабатывать алгоритмы и эвристики поверх ML-моделей предсказания движения: решать, когда и как переключать агента (машину, пешехода, велосипедиста) под управление нейросети, какую из предложенных моделью траекторий выбрать, как постобрабатывать её с учётом физических ограничений и безопасности. Ключевой вызов — найти баланс между реалистичностью поведения агентов и безопасностью сценариев: слишком осторожный симулятор не учит автопилот ничему новому, слишком агрессивный — создаёт нереалистичные ситуации. Интеграция ML-моделей в симулятор
Вы станете встраивать новые версии нейросетевых моделей предсказания движения в симулятор: выстраивать dataflow, согласовывать форматы данных между моделью и системой агентов. Отдельное направление — ускорять инференс, чтобы симуляция большого числа агентов оставалась практичной по времени. Больше о бэкенде в Яндексе — в канале Yandex for Backend* Уверенно владеете C++ * Пишете производительный код и умеете его профилировать, работали с многопоточным кодом * Строили алгоритмическую обвязку поверх ML-моделей: fallback, safety-постпроцессинг, scoring * Владеете 2D-геометрией и линейной алгеброй: преобразования, ray-casting, IoU* Понимаете основы ML * Ускоряли обучение и инференс ML-моделей * Работали с моделями предсказания траекторий или motion planning * Получили опыт в робототехнике, автопилотах или симуляторах * Программировали на Python
Вы будете разрабатывать алгоритмы и эвристики поверх ML-моделей предсказания движения: решать, когда и как переключать агента (машину, пешехода, велосипедиста) под управление нейросети, какую из предложенных моделью траекторий выбрать, как постобрабатывать её с учётом физических ограничений и безопасности. Ключевой вызов — найти баланс между реалистичностью поведения агентов и безопасностью сценариев: слишком осторожный симулятор не учит автопилот ничему новому, слишком агрессивный — создаёт нереалистичные ситуации. Интеграция ML-моделей в симулятор
Вы станете встраивать новые версии нейросетевых моделей предсказания движения в симулятор: выстраивать dataflow, согласовывать форматы данных между моделью и системой агентов. Отдельное направление — ускорять инференс, чтобы симуляция большого числа агентов оставалась практичной по времени. Больше о бэкенде в Яндексе — в канале Yandex for Backend* Уверенно владеете C++ * Пишете производительный код и умеете его профилировать, работали с многопоточным кодом * Строили алгоритмическую обвязку поверх ML-моделей: fallback, safety-постпроцессинг, scoring * Владеете 2D-геометрией и линейной алгеброй: преобразования, ray-casting, IoU* Понимаете основы ML * Ускоряли обучение и инференс ML-моделей * Работали с моделями предсказания траекторий или motion planning * Получили опыт в робототехнике, автопилотах или симуляторах * Программировали на Python