Director of Engineering, Perception & Spatial AI

Als ADAS/AD sich in Richtung modellgetriebene Intelligenz bewegt, erweitert sich der Branchenwert von der Kartenlieferung bis hin zu Modelltraining und -validierung. HERE kann seine Karten- und Fahrdaten in eine skalierbare Plattform zur Erstellung von KI-Modellen umwandeln – dabei wird erheblicher Wert aus Training, Validierung und der nächsten Generation von ADAS/AD-Leistungen gewonnen.

Was Sie tun werden:

• Definieren und leiten Sie die End-to-End-Wahrnehmungsarchitektur – von Cloud-Training bis hin zu einsatzbereiten Modellvarianten für automotive-grade SoCs (z.B. Qualcomm Snapdragon Ride, NVIDIA Orin oder ähnliche).
• Verfolgen Sie einen deploymentsfirst Ansatz bei Architekturentscheidungen, einschließlich Quantisierung, Latenzzielen und Speicherbeschränkungen.
• Wandeln Sie modernste Wahrnehmungsforschung in zuverlässige, skalierbare Produktionspipelines (Cloud + Edge-Modellvarianten) um.
• Leiten Sie BEV / Multi-Kamera-Wahrnehmung, die sich auf die Straßeninfrastruktur konzentriert (Fahrspuren, Grenzen, Schilder, Ampeln, Straßenoberflächenattribute).
• Definieren Sie Evaluierungs- und Validierungsstandards, einschließlich hardwarebewusster Metriken (Latenz vs. Genauigkeit, Speicherbedarf, Durchsatz auf Referenzhardware).
• Arbeiten Sie eng mit Forschungs-, Simulations-, Produkt- und Kunden-/Partnerteams zusammen, um sicherzustellen, dass die Ergebnisse von nachgelagerten Systemen genutzt werden können und den tatsächlichen Einsatzanforderungen entsprechen.
• Bleiben Sie hands-on, indem Sie Architekturen erstellen und überprüfen, kritische Probleme debuggen und neue Ansätze prototypisieren.
• Mentor und entwickeln Sie ein leistungsstarkes Team (Einstellung, Mentoring, technische Ausrichtung und Etablierung starker Ingenieurpraktiken).

Wer sind Sie?

Must-Have Erfahrung:

• 10+ Jahre Erfahrung in ML, KI, Computer Vision, Robotik, autonomem Fahren, räumlicher KI oder verwandten Bereichen.
• 5+ Jahre praktische Erfahrung mit Computer Vision, Wahrnehmung oder Szenenverständnissystemen.
• Nachweisliche Erfahrung in der Überführung von ML- oder Computer Vision-Modellen von der Forschungs- oder Prototypenphase in Produktionssysteme.
• Starkes Verständnis von Wahrnehmungsaufgaben wie Objekterkennung, semantische Segmentierung, Instanzsegmentierung, Fahrspurdetektion, Straßenbegrenzungen, Schilder, Ampeln oder Straßenoberflächenattribute.
• Erfahrung mit Deep Learning-Frameworks, vorzugsweise PyTorch.
• Starkes Verständnis moderner Computer Vision-Architekturen, einschließlich Multi-Task-Learning und räumlichem Szenenverständnis.
• Erfahrung mit großangelegten Trainingspipelines, einschließlich verteiltem Training, Experimentverfolgung und Modellversionierung.
• Praktische Erfahrung in der Optimierung von ML-Modellen für die Produktion, einschließlich Latenz-, Speicher-, Durchsatz- und Genauigkeitskompromissen.
• Vertrautheit mit Workflows zur Modellauslieferung wie ONNX-Export, TensorRT oder ähnlichen Inferenzoptimierungsframeworks.
• Erfahrung in der Arbeit mit Edge-, Embedded-, Automotive-, Robotik-, mobilen oder anderen hardwarebeschränkten Bereitstellungsumgebungen.
• Starke technische Führungserfahrung, einschließlich der Leitung von Ingenieur- oder angewandten Forschungsteams, Festlegung technischer Richtungen, Mentoring von Ingenieuren und Einstellung von Talenten.
• Fähigkeit, über Forschungs-, Ingenieur-, Produkt-, Plattform- und kundenorientierte Teams hinweg zu arbeiten.
• Starke Kommunikationsfähigkeiten, mit der Fähigkeit, technische Kompromisse sowohl technischen als auch nicht-technischen Stakeholdern zu erklären.
• Erfahrung mit großangelegten Trainingsaufbauten (Multi-GPU/Multi-Node) und die Fähigkeit, praktische MLOps-Standards festzulegen (Experimentverfolgung, Modellversionierung, Reproduzierbarkeit).
• Neugierig und hands-on genug, um nah an aufkommenden Trends in Wahrnehmung, räumlicher KI, effizienten Modellen und Edge-Bereitstellung zu bleiben.

Good to Have:

• Erfahrung mit BEV, Multi-Kamera-Wahrnehmung, 3D-Wahrnehmung, Lidar-Kamera-Fusion oder Belegungsprognose.
• Erfahrung mit Architekturen wie BEVFormer, BEVFusion oder ähnlichen räumlichen Wahrnehmungsmodellen.
• Erfahrung mit automotive-grade SoCs wie NVIDIA Orin, Qualcomm Snapdragon Ride, TI TDA4 oder ähnlichen Plattformen.
• Praktische Erfahrung mit quantisierungsbewusstem Training, Post-Training-Quantisierung, Pruning, Destillation, gemischter Präzisionsinferenz oder Modellkompression.
• Erfahrung beim Benchmarking von Modellen auf echter Hardware und der Arbeit mit Latenz-, Speicher- und Durchsatzbeschränkungen.
• Vertrautheit mit QNN, TensorRT, Graphoptimierung, Operator-Kompatibilität oder hardware-spezifischen Kompilierungsworkflows.
• Erfahrung mit geospatialen Daten, Kartenprioren, Straßen-Topologie, HD-Karten oder räumlichen Datenstrukturen.
• Erfahrung mit synthetischen Daten, Simulationspipelines oder Sim-to-Real-Validierung.
• Erfahrung mit großangelegten Fahr- oder Robotik-Datensätzen wie nuScenes, Waymo Open Dataset, KITTI, Argoverse oder ähnlichen.
• Exposition gegenüber automobilen Sicherheitsstandards wie ISO 26262 oder SOTIF.
• Veröffentlichungen oder starke Forschungsbeiträge in Computer Vision, Wahrnehmung, Robotik oder maschinellem Lernen.
• Erfahrung in schnell wachsenden, skalierbaren oder schnelllebigen Produktumgebungen.

Gleichberechtigte Beschäftigung: HERE ist ein Arbeitgeber, der Chancengleichheit bietet. Wir bewerten qualifizierte Bewerber unabhängig von Rasse, Hautfarbe, Alter, Geschlechtsidentität, sexueller Orientierung, Familienstand, Elternstatus, Religion, Geschlecht, nationaler Herkunft, Behinderung, Veteranenstatus und anderen gesetzlich geschützten Merkmalen.