[About the Team & Mission] Senior Physical AI Engineer는 차세대 자율주행을 위한 End-to-End(E2E) Planning Model과 모델의 학습·검증을 위한 Closed-loop Simulation 환경 및 파이프라인의 설계·개발을 주도합니다. Trajectory Generation과 Decision-making을 수행하는 E2E Planning Model부터 Closed-loop Simulation까지, 실제 차량의 주행 성능으로 이어지는 핵심 기술을 개발합니다. Generative AI, Imitation Learning, Reinforcement Learning, 3D 환경 재구성 및 물리 기반 Simulation 등 다양한 기술을 활용하여 모델과 가상 환경을 함께 발전시키고 Sim-to-Real Gap을 줄입니다. E2E Planning Model의 설계·개발부터 Closed-loop Simulation 검증과 실차 실험, 결과 기반 모델 개선까지 전체 개발 사이클을 주도합니다. Simulation과 실차 간 성능 차이를 줄이고, 기술적 의사결정과 리뷰를 통해 차세대 Autonomous Driving System 개발을 이끕니다. The Senior Physical AI Engineer leads the design and development of 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 across 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. You will help bridge the gap between virtual environments and real-world driving performance. You will lead the full development cycle—from designing and developing E2E planning models to validating them in closed-loop simulation and real-vehicle experiments and improving them based on the results. You will reduce performance gaps between simulation and real vehicles and drive next-generation autonomous driving systems through technical decision-making and reviews.

• Trajectory Generation 및 Decision-making을 위한 E2E Planning Model 설계·개발 및 성능 개선 주도 • E2E Planning Model의 학습·검증을 위한 Closed-loop Simulation 환경, 시나리오 및 평가 체계 설계·개발 주도 • E2E Planning Model과 Simulation 및 실차 시스템 간 인터페이스 통합과 실차 실험 주도 • Simulation 결과와 실차 주행 데이터 및 실패 사례를 분석하고 Sim-to-Real Gap을 줄이기 위한 모델 개선 방향 도출 • 담당 영역의 기술적 문제와 로드맵을 정의하고, 확장성·재현성·운영 안정성을 고려한 핵심 시스템의 아키텍처 및 개발 방향 주도 • 설계 및 코드 리뷰, 기술 공유와 멘토링을 통해 팀의 엔지니어링 품질 향상 • Lead the design, development, and performance improvement of E2E planning models for trajectory generation and decision-making • Lead the design and development of closed-loop simulation environments, scenarios, and evaluation frameworks for training and validating E2E planning models • Lead interface integration between E2E planning models, simulation, and real-vehicle systems, as well as real-vehicle experiments • Analyze simulation results, real-world driving data, and failure cases to define model improvements that reduce the sim-to-real gap • Define technical problems and roadmaps, and lead the architecture and development of key systems with scalability, reproducibility, and operational reliability in mind • Raise the team's engineering quality through design and code reviews, knowledge sharing, and mentoring

• 컴퓨터공학, 전자공학, 자동차공학, 로봇공학 또는 관련 분야의 학사 학위와 8년 이상의 실무 경험, 석사 이상 학위와 5년 이상의 실무 경험 또는 이에 준하는 역량 • Python 또는 Modern C++ 기반의 모델 및 Simulation 시스템을 설계하고 개발·디버깅할 수 있는 역량 • Autonomous Driving, Robotics, AI/ML 또는 Simulation 관련 시스템의 설계 및 개발을 주도한 경험 • 다음 분야 중 하나 이상에 대한 깊이 있는 전문성과 이를 실제 시스템에 적용한 경험 - 머신러닝 기반 자율주행 Planning Model 설계, 학습 및 성능 개선 - Motion Planning, Decision-making 또는 Robotics 알고리즘 설계, 성능 개선 및 실제 시스템 적용 - Computer Vision 기반 3D 환경 재구성 및 표현 - 차량·로봇의 동역학 모델링 또는 Simulation 환경 설계 및 구축 • 여러 직군의 이해관계자와 기술적 의사결정 및 우선순위를 조율할 수 있는 커뮤니케이션 역량 • Bachelor’s degree in Computer Science, Electrical Engineering, Automotive Engineering, Robotics, or a related field with 8+ years of professional experience; or a master’s degree or higher in one of these fields with 5+ years of professional experience; or equivalent practical expertise • Ability to design, develop, and debug model and simulation systems using Python or Modern C++ • Experience leading the design and development of systems related to autonomous driving, robotics, AI/ML, or simulation • Demonstrated expertise in at least one of the following areas, with experience applying it to real-world systems: - Design, training, and performance improvement of machine learning-based planning models for autonomous driving - Design, performance improvement, and real-world system integration of motion planning, decision-making, or robotics algorithms - Computer vision-based 3D environment reconstruction and representation - Vehicle or robot dynamics modeling, or simulation environment design and development • Ability to communicate technical decisions and align priorities across cross-functional stakeholders

• Autonomous Driving 또는 Robotics 분야에서 E2E Planning Model과 Closed-loop Simulation을 연계한 학습·평가 Pipeline을 실제 시스템 수준으로 개발·운영한 경험 • 실제 차량 또는 Robot에 E2E Planning Model을 통합·검증하고 실험을 주도한 경험 • 대규모 Simulation Pipeline 또는 Platform의 설계, 성능 최적화 및 운영 경험 • 데이터·모델·코드의 버전 관리와 자동화된 테스트 및 평가를 포함한 재현 가능한 ML 개발 환경을 구축한 경험 • ICRA, IROS, CVPR, NeurIPS, RSS 등 관련 학회 또는 저널 연구·논문 발표 경험 • Experience developing and operating production-scale training and evaluation pipelines integrating E2E planning models with closed-loop simulation for autonomous driving or robotics • Experience integrating and validating E2E planning models on real vehicles or robots and leading experiments • Experience designing, optimizing, and operating large-scale simulation pipelines or platforms • Experience building reproducible ML development environments with versioned data, models, and code, as well as automated testing and evaluation • Research or publication experience in relevant conferences or journals such as ICRA, IROS, CVPR, NeurIPS, or RSS

• 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.