Deine Mission & Herausforderungen

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.

Was du mitbringst

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

ML in Robotics Tiefe: 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.