Sr./Principal Engineer- AV Simulation Domain Expert

HERE Technologies sitzt an einem einzigartigen Schnittpunkt: Wir besitzen einige der detailliertesten Karten- und Fahrdaten der Welt und entwickeln generative KI-Fähigkeiten, um diese räumliche Intelligenz in kontrollierbare, qualitativ hochwertige synthetische Fahrwelten umzuwandeln. Wir suchen ein hybrides Profil – jemanden, der tiefes Wissen in Weltgrundlagenmodellen, generativem Video und Transformatoren mit praktischer Erfahrung in der AV-Simulation kombiniert. Dies ist keine reine Simulationsrolle und auch keine reine ML-Forschungsrolle. Es ist die Brücke zwischen beiden – und diese Brücke ist das, was HERE differenziert.

Sie verstehen sowohl, wie man große generative Modelle trainiert und anpasst (denken Sie an Cosmos, Cosmos-Transfer, diffusionsbasierte Videomodelle, latente Weltmodelle) als auch, wie man sie in Kartendaten und Szenariosemantiken verankert, sodass die Ausgabe tatsächlich nützlich für das Training und die Validierung von Wahrnehmungs- und Planungsstacks ist.

Was Sie tun werden:

• Weltgrundlagenmodelle & Generative Szenario-Synthese: Technische Richtung für kartengebundene Weltgrundlagenmodelle vorgeben, generative Video-/Weltmodelle auf Kartendaten, Fahrdaten, Szenariosemantiken, Trajektorien, Agentenverhalten, Wetter und Beleuchtung konditionieren. Generative Modelle (Diffusion, latentes Video, transformerbasierte) für die Generierung von Fahrtszenarien trainieren, feinabstimmen und anpassen mit vollständiger Verantwortung für den ML-Lebenszyklus: Datenkuratierung, Training, Bewertung und Produktionspipelines. Evaluieren und erweitern Sie state-of-the-art Modelle wie NVIDIA Cosmos / Cosmos-Transfer und vergleichbare Open-Source-Alternativen zur Generierung von AV-Trainingsdaten.
• Strategische Führung: POC-Initiativen für kartengebundene synthetische Szenarien mit wichtigen Technologiepartnern leiten; messbare Erfolgskriterien über visuelle Realität hinaus definieren – mit Fokus auf ML-Trainingseignung, Kontrollierbarkeit und Sim-to-Real-Transfer. Empfehlungen zu GO / PIVOT / NO-GO abgeben, die durch quantitative Beweise gestützt werden.
• Simulation & Sim-to-Real: Generative Weltmodelle mit klassischen Simulationsstacks (CARLA, NVIDIA Drive Sim, AlpaSim) für physikbasierte Szenarien verbinden. OpenSCENARIO / OpenDRIVE-Definitionen für sowohl klassische als auch generative Pipelines autorisieren und programmatisch generieren. Sim-to-Real-Strategie vorantreiben: Domänengap messen, Fehlerquellen identifizieren und akzeptable Schwellenwerte für das nachgelagerte Modelltraining definieren.
• Qualitätsrahmen für synthetische Trainingsdaten: „Gut genug“ synthetische Daten für AV-Wahrnehmung und -Planung definieren: wann Fotorealismus erforderlich ist, wann Konsistenz der Labels ausreicht und wann Kontrollierbarkeit am wichtigsten ist. Validierungsrahmen festlegen, die objektive Metriken (Verteilungsabdeckung, Labelgenauigkeit, FID-Stil-Maßnahmen, Leistung nachgelagerter Aufgaben) mit Expertenbewertungsprotokollen kombinieren. Sensoranforderungen spezifizieren: Rauschmodelle, Objektivverzerrung und Lidar-Rückgabecharakteristika.
• Technische Zusammenarbeit: Mit ML-Forschung, Wahrnehmungs- und Planungsteams interagieren, um sicherzustellen, dass synthetische Daten die Leistung von Modellen in der realen Welt messbar verbessern. Geschäftliche Anforderungen in technische Machbarkeitsbewertungen für Produkt- und Führungskräfte übersetzen.

Wer sind Sie?

Diese Rolle befindet sich an der Schnittstelle von Deep Learning und AV-Simulation – und wir benötigen jemanden, der in beiden Bereichen gleichermaßen fundiert ist. Sie haben ML-Modelle von der Forschung in die Produktion überführt und dabei reale Einschränkungen, Qualitätsstandards und Sicherheitsanforderungen berücksichtigt.

Sie haben Erfahrung in:

• Deep Learning & Generative Modelle: Nachweisliche End-to-End-Modelltrainingserfahrung mit klarer Verantwortung für Daten, Training, Bewertung und Iteration. Expertise in generativem Video, Weltmodellen oder verwandter generativer KI – insbesondere Diffusionsmodellen, latenten Videomodellen und/oder transformerbasierten Weltmodellen. Erfahrung mit hochdimensionalen spatio-temporalen Daten (Video, Multi-Sensor-Fusion, Fahrdaten). Starke Grundlagen in Python und PyTorch; nachweisliche Erfolge bei der Überführung von ML-Modellen von der Forschung in die Produktion unter realen Einschränkungen.
• AV-Simulation & Szenariodomain: 5+ Jahre Erfahrung in AV-Simulation, AV-Wahrnehmung/ML oder Robotersimulation – mit bedeutender Exposition gegenüber sowohl Simulationsplattformen als auch der Entwicklung von ML-Modellen. Praktische Erfahrung mit mindestens einer großen Simulationsplattform: CARLA, NVIDIA Drive Sim oder gleichwertig. Vertrautheit mit OpenDRIVE und OpenSCENARIO: in der Lage, Szenariodefinitionen programmatisch zu erstellen und zu generieren. Verständnis der AV-Testabläufe, ASAM OpenX-Standards, ISO 34502 und welche Szenarien die Wahrnehmungs- und Planungssysteme auf die Probe stellen.
• Synthetische Datenqualität & Sim-to-Real: Fähigkeit zur Bewertung synthetischer Daten hinsichtlich Verteilungsvielfalt, Konsistenz der Labels, Abdeckung von Randfällen und Leistung nachgelagerter Aufgaben. Erfahrung mit Sim-to-Real-Transfer, Domänenanpassung oder der messbaren Schließung der Domänenschere. Klare Sichtweise auf die Abwägungen zwischen Fotorealismus, Labelgenauigkeit, Kontrollierbarkeit und rechnerischer Effizienz.

Diese Rolle kann auch in Berlin / München / Amsterdam angesiedelt sein. 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.