Robotic Foundation Model Engineer (human)

Du besitzt das Outcome auf dem Roboter: Du treibst die Entwicklung kognitiver Robotics-Anwendungen durch Physical AI und die NeuraGym-Plattform voran — du besitzt das Outcome auf dem Kundenroboter, nicht nur das Modell im Repo.

Führe die gesamte Pipeline aus: Du führst Foundation Models in produktionsreife Robotics-Intelligence über — die komplette NeuraGym-Pipeline mit Teleoperation, Data Annotation, Training, Simulation, Deployment und Validation — tailored auf echte Robotics-Anwendungen. Du definierst die Data Strategy und besitzt den gesamten Post-Training-Loop mit Hyperparameter-Iteration, Data Mixture, LoRA und ehrlicher Evaluation.

Deploye zu Real-Time Control: Du bringst Policies vom Checkpoint zu Real-Time Closed-Loop Control — Distillation, Quantization, Action Chunking, Latency Budgets und On-Device/Edge Inference unter den Cycle-Time und Reliability Requirements des Kunden.

Beherrsche den vollen Robotics Stack: Du arbeitest über NEURA OS und die Control Layer hinweg — Real-Time Control, Kinematics, Motion Planning, Force/Impedance Control und Safety Architecture — und integrierst gelernte Policies sauber mit dem Low-Level Controller statt ihn als Black Box zu behandeln.

Hands-on System Integration: Du arbeitest direkt an MAiRA, MiPA, LARA und humanoiden Plattformen zusammen mit multidisziplinären Engineering-Teams — End-Effektoren und Tool Changer, Sensor-Auswahl und Mounting, Calibration, elektrische und Fieldbus-Schnittstellen und die mechanische Realität der Zelle.

Aktiviere und unterstütze Kunden: Du leitest Nutzer in NeuraGym ein, reviewst Training Pipelines und Scripts, identifizierst Data-Quality-Issues, troubleshootst Model-Verhalten und bietest Hands-On-Support, um hartnäckige Blockers zu lösen.

Cross-funktionale Zusammenarbeit: Du bist eine Schlüsselschnittstelle zwischen Cloud und AI Teams — du gewährleistest sanfte Zusammenarbeit, technische Alignment und effiziente Problem-Lösungen über Domänen hinweg.

Baue Evaluation-Rigor auf: Du erstellst die Eval Harnesses, Success-Rate Benchmarks und Regression Tests, die entscheiden, ob eine Policy ready für Handover ist — und machst Failure Modes sichtbar, bevor der Kunde sie findet.

Research in Production: Du prototypisierst Techniken aus aktuellen Papers zusammen mit unserem Research-Team und bringst die ins Produktionsdeployment, die Kontakt mit der Realität überstehen.

Schließe den Feedback-Loop: Du übersetzt Field-Erfahrung und Customer Insights in Actionable Feedback für sowohl die NeuraGym Product-Roadmap als auch die NEURA Core AI Roadmap.

Dein Hintergrund: Master-Abschluss oder PhD in Informatik, Robotik, Elektrotechnik oder verwandtem Bereich.

ML in Robotics Tiefe: 5+ Jahre praktische Machine-Learning-Erfahrung in Robotics — stark in mindestens einer von Vision-Based Manipulation, Reinforcement/Imitation Learning oder Multimodalen Modellen, und motiviert, den Rest zu lernen.

Fine-Tuning-Expertise: Nachgewiesene Erfahrung beim Fine-Tuning großer vortrainierter Modelle für Robotics oder eine andere Domäne: PEFT/LoRA und vollständige Fine-Tunes, Dataset Curation, Distillation und Evaluation. Vertrautheit mit dem Open-VLA- und Policy-Learning-Ecosystem (z. B. π0/π0.5, OpenVLA, LeRobot, Diffusion Policies) ist ein großer Plus.

Programming-Skills: Solide Python-Kenntnisse (C++ ist ein Plus); praktische Erfahrung mit PyTorch oder TensorFlow.

Cloud und Simulation: AWS-, Azure- oder GCP-Erfahrung und Vertrautheit mit Robotics-Simulation-Tools (IsaacSim, MuJoCo, etc.) sind Pluses.

Robotics Software Stack: Working Command des Robotics Software Stack jenseits der Model Layer — Robot Operating Systems und Middleware (NEURA OS, ROS/ROS2 oder vergleichbar), Real-Time Control, Kinematics und Motion Planning, Force/Impedance Control und wie eine gelernte Policy in den Low-Level Controller und seine Safety Layer integriert wird.

Hardware-Literacy: Solides Verständnis von Roboter-Hardware — Drives und Joint Modules, Torque Sensing und Encoder, End-Effektoren, Sensor-Integration, Calibration, elektrische und Fieldbus-Schnittstellen (z. B. EtherCAT) und Functional Safety Concepts — genug, um ein Model-Problem von einem Machine-Problem vor Ort zu unterscheiden.

Execution-Mindset: Nachgewiesene Problem-Solving-Fähigkeiten, Fähigkeit, mehrere Projekte parallel zu handhaben, und ein starker Bias zu Execution und persönlichem Commitment. Du nimmst Deployments persönlich, arbeitest dich durch Rückschläge und misst dich daran, was beim Kunden läuft.

Kommunikation: Klarer Communicator, der zwischen Forschern, Ingenieuren und End-Usern übersetzt. Du sprichst Englisch und Deutsch auf solidem Niveau (B2–C1).

Reisebereitschaft: Bereitschaft, häufig zu Kundenseiten und NeuraGyms zu reisen (ca. 40–60%).