[About the Team & Mission] Physical AI Engineer는 차세대 자율주행을 위한 End-to-End(E2E) Planning Model을 설계·개발하고, 모델의 학습·검증을 위한 Closed-loop Simulation 환경과 파이프라인을 개발합니다. Trajectory Generation과 Decision-making을 수행하는 E2E Planning Model부터 Closed-loop Simulation까지, 주행 상황을 바탕으로 안전한 의사결정과 trajectory를 생성하는 핵심 기술을 개발합니다. Generative AI, Imitation Learning, Reinforcement Learning, 3D 환경 재구성 및 물리 기반 Simulation 등 다양한 기술을 실제 Autonomous Driving 문제에 적용합니다. E2E Planning Model을 직접 설계·개발하고, Closed-loop Simulation과 실차에서 성능을 검증합니다. Simulation 및 실차 주행 데이터와 실패 사례를 분석하여 모델을 개선하는 개발 사이클을 반복하며 차세대 Autonomous Driving System 개발에 기여합니다. The Physical AI Engineer designs and develops end-to-end (E2E) planning models for next-generation autonomous driving, as well as closed-loop simulation environments and pipelines for training and validating them. You will work with E2E planning models for trajectory generation and decision-making, closed-loop simulation, generative AI, imitation learning, reinforcement learning, 3D environment reconstruction, and physics-based simulation to solve real-world autonomous driving problems. You will directly design and develop E2E planning models and validate their performance in closed-loop simulation and real vehicles. By analyzing simulation results, real-world driving data, and failure cases, you will continuously improve the models and contribute to next-generation autonomous driving systems.

• Trajectory Generation 및 Decision-making을 위한 E2E Planning Model 설계 및 개발 • E2E Planning Model의 학습·검증을 위한 Closed-loop Simulation 환경, 시나리오 및 평가 Pipeline 설계·개발 • E2E Planning Model과 Simulation 및 실차 시스템 간 연동 기능 개발과 실차 실험 수행 • Simulation 결과와 실차 주행 데이터 및 실패 사례 분석을 통한 E2E Planning Model 개선 • Design and develop E2E planning models for trajectory generation and decision-making • Design and develop closed-loop simulation environments, scenarios, and evaluation pipelines for training and validating E2E planning models • Develop integrations between E2E planning models, simulation, and real-vehicle systems, and conduct real-vehicle experiments • Improve E2E planning models by analyzing simulation results, real-world driving data, and failure cases

• 컴퓨터공학, 전자공학, 자동차공학, 로봇공학 또는 관련 분야의 학사 학위와 2년 이상의 실무 경험 또는 이에 준하는 역량 • Python 또는 C++을 활용하여 소프트웨어를 구현하고 디버깅한 경험 • 다음 분야 중 하나 이상에 대한 학업, 프로젝트 또는 실무 경험 - Machine Learning 또는 Deep Learning 모델 개발 및 학습 - Motion Planning, Decision-making 또는 Robotics 알고리즘 - Computer Vision 또는 3D 환경 재구성 및 표현 - 차량·로봇의 동역학 모델링 또는 Simulation • Bachelor’s degree in Computer Science, Electrical Engineering, Automotive Engineering, Robotics, or a related field with 2+ years of professional experience, or equivalent practical expertise • Experience implementing and debugging software using Python or C++ • Academic, project, or professional experience in at least one of the following areas: - Machine learning or deep learning model development and training - Motion planning, decision-making, or robotics algorithms - Computer vision or 3D environment reconstruction and representation - Vehicle or robot dynamics modeling or simulation

• Autonomous Driving 또는 Robotics 분야에서 E2E Planning, Trajectory Generation, Decision-making 또는 Simulation 관련 프로젝트를 수행한 경험 • 실제 차량 또는 Robot 등 Hardware 환경에서 AI Model 및 알고리즘을 실험하고 검증한 경험 • Project experience in E2E planning, trajectory generation, decision-making, or simulation for autonomous driving or robotics • Experience testing and validating AI models or algorithms on real vehicles, robots, or other hardware platforms

• 서류전형 - 코딩테스트 - 1차 인터뷰 - 2차 인터뷰 - 처우협의 - 최종합격

[Additional Information] • 전형 절차는 일정 및 진행 상황에 따라 일부 변경될 수 있으며, 각 전형 결과는 등록하신 이메일로 개별 안내드립니다. • 지원서 제출 시 주민등록번호, 가족관계, 혼인 여부, 연봉, 사진, 신체조건, 출신 지역 등 채용절차법상 요구 금지된 정보는 제외 부탁드립니다. • 지원서 접수 중 오류가 발생하거나 기타 문의 사항이 있을 경우, [email protected]로 문의해 주시기 바랍니다. • 국가보훈대상자 및 취업보호 대상자는 관계법령에 따라 우대합니다. • 장애인 고용 촉진 및 직업재활법에 따라 장애인 등록증 소지자를 우대합니다. • 42dot은 의뢰하지 않은 서치펌의 이력서를 받지 않으며, 요청하지 않은 이력서에 대해 수수료를 지불하지 않습니다. • 지원서 내용 중 허위 사실이 발견될 경우, 입사가 취소될 수 있습니다. • 인터뷰 프로세스 종료 후 지원자의 동의하에 평판조회가 진행될 수 있습니다. • 3개월의 수습기간이 적용될 수 있습니다.