Humanoid Whole-Body Control RL Engineer는 강화학습을 기반으로 휴머노이드 로봇의 전신 제어 정책을 학습시키고, 이를 실제 로봇 환경에서 안정적으로 동작하도록 만드는 역할입니다. 이 포지션은 단순한 제어 알고리즘 개발이 아니라, 로봇의 전신 움직임을 학습 기반으로 최적화하고, 시뮬레이션부터 실제 환경까지 연결하는 end-to-end 학습 시스템을 구축하는 역할 입니다.

• 휴머노이드 전신 제어를 위한 강화학습 알고리즘 개발 - Whole-body control을 위한 RL policy 설계 및 최적화 - locomotion, balancing, manipulation이 결합된 복합 행동 학습 - long-horizon task에서의 안정적인 정책 학습 • Interaction 기반 학습 시스템 구축 - 로봇이 환경과 상호작용하며 학습하는 RL 구조 설계 - simulation 및 실제 로봇 환경에서 policy 학습 및 검증 - 경험 기반 학습 루프 (rollout → 학습 → 평가) 구축 • 모델 최적화 및 개선 - inference latency, stability, robustness 개선 - 데이터 수집 및 모델 성능 향상 - 필요 시 RL / IL 기반으로 policy 개선 • Reward 설계 및 학습 안정성 개선 - 전신 제어를 위한 reward function 설계 - curriculum learning, domain randomization 등 학습 전략 적용 • 정책의 안정성 및 일반화 성능 개선 - 다양한 환경 변화에 robust한 정책 개발 - noise, delay, partial observability 대응 - sim-to-real gap 최소화 • 실제 로봇 시스템과의 통합 - 소프트웨어/하드웨어 팀과 협업하여 policy를 실제 로봇에 적용 - real-world 테스트 및 문제 해결 - 학습 결과를 시뮬레이션 환경에 반영

• AI, Robotics, Computer Science 등 관련 분야 석사 학위 이상 • Reinforcement Learning - PPO, SAC 등 로보틱스 적용 강화학습 알고리즘 경험 - RL 기반 policy 학습 및 실제 문제 적용 경험 - 하이퍼파라미터 및 cost/reward function 튜닝 경험 - 다음과 같은 RL 학습 기법에 대한 이해 및 활용 경험 - Domain Randomization - Curriculum Learning - Reward Shaping - 안정적인 정책 학습을 위한 실험 설계 및 개선 경험 • Dynamics & Control - 로봇 동역학 및 제어 이론에 대한 탄탄한 이해 - 특히 legged robot 또는 humanoid 시스템 제어 경험 우대 • Engineering & Leadership - 복잡한 제어 또는 RL 프로젝트를 end-to-end로 수행한 경험 - 실험 → 분석 → 개선 사이클을 주도적으로 이끌 수 있는 능력 - 주니어 엔지니어를 멘토링하거나 기술 리딩한 경험

• Vision-based Reinforcement Learning 경험 - 카메라 입력 기반 policy 학습 (image → action) - perception + control 통합 학습 경험 - visual representation learning과 RL 결합 경험 • Behavior Cloning, Policy Distillation 등 Imitation Learning 경험 • Humanoid 또는 Legged Robot 실험 경험 • Isaac Gym, MuJoCo 등 시뮬레이터 활용 경험 • Sim-to-Real transfer 경험 • Distributed RL 또는 대규모 학습 경험 • RL / Robotics 관련 논문 발표 경험 (ICRA, RSS, CoRL, NeurIPS 등)

1. 서류 전형 2. 실무 인터뷰 3. 임원 인터뷰 4. 최종 합격

• 생일 휴가 제공 • 스낵바 무제한 이용 가능 • 연 2회 명절 선물 지급 • 자기계발비(학회, 세미나, 워크샵 등) 지원