Technical Lead - AI Manipulation and Simulation (Mensch) at Neura Robotics (Munich, Germany)Technical Lead - AI Manipulation and Simulation (Mensch)

Deine Mission & Herausforderungen

Multimodale Lernarchitekturen

• Du konzipierst und entwickelst Systeme, die Kameradaten, Tiefeninformationen, taktile Sensorik, IMU-Daten, Sprachinformationen und Roboterzustände zu ausführbaren Roboteraktionen zusammenführen.
• Du definierst, wie diese unterschiedlichen Modalitäten kombiniert werden und in Policies übersetzt werden, die auf unseren hochgeschickten Roboterhänden ausgeführt werden.

Simulationsinfrastruktur & Datenpipelines

• Du entwickelst und betreibst GPU-beschleunigte Simulationsumgebungen sowie die dazugehörigen Datenpipelines, um das Training von Policies effizient und skalierbar zu gestalten.

Sim-to-Real Transfer

• Du verantwortest die technische Umsetzung, um die Lücke zwischen Simulation und realer Hardware zu schließen.
• Dabei entwickelst du robuste Methoden, um trainierte Modelle zuverlässig auf physische Robotersysteme zu übertragen.

Teamführung & Technische Leitung

• Du übersetzt Forschungsfragestellungen in konkrete technische Meilensteine.
• Du unterstützt und entwickelst Engineers weiter und arbeitest eng mit Teams aus Machine Learning, Robotik und Hardware zusammen, um Lernsysteme erfolgreich auf realen Robotern einzusetzen.

Was du mitbringst

• Mindestens 6 Jahre Erfahrung in Informatik oder einem vergleichbaren technischen Bereich, einschließlich relevanter Erfahrung bei der Entwicklung und Implementierung von AI-Systemen auf realer Robotik-Hardware.
• Praktische Erfahrung in der Leitung oder Mitgestaltung von multimodalen Manipulationssystemen, die Vision, Sprache, taktile Sensorik und Propriozeption kombinieren.
• Nachweisbare Erfahrung im Aufbau von Simulationsinfrastrukturen mit Isaac Lab, Isaac Sim, MuJoCo oder vergleichbaren Frameworks für Reinforcement Learning und Sim-to-Real-Transfer.
• Tiefgehende praktische Kenntnisse in:
• Imitation Learning (inklusive Diffusion Policies)
• Deep Reinforcement Learning
• Hybriden Lernverfahren auf realer Robotik-Hardware
• Erfahrung mit Datenpipelines für heterogene Hochfrequenz-Sensordaten, beispielsweise:
• Teleoperation
• Taktile Sensorik
• Kameradaten
• Tiefendaten
• Roboterzustände
• Sehr gute Programmierkenntnisse in Python und C++ sowie Erfahrung mit ROS 2 und Embedded- bzw. Echtzeitsystemen.
• Fähigkeit, vage oder offene Forschungsfragen in konkrete technische Ziele und umsetzbare Engineering-Meilensteine zu übersetzen.
• Erfahrung in der fachlichen Weiterentwicklung und Unterstützung von Junior Engineers.

Von Vorteil

• Erfahrung mit hochgradig beweglichen, sehnengetriebenen oder stark taktil ausgestatteten Roboterhänden.
• Kenntnisse von Vision-Language-Action (VLA)-Architekturen oder vergleichbaren Vision-Language-Modellen sowie großskaligen Pre-Training-Workflows.
• Beiträge zur Robotik- oder AI-Forschungsgemeinschaft, beispielsweise Veröffentlichungen oder aktive Mitarbeit im Umfeld von:
• IEEE International Conference on Robotics and Automation
• IEEE/RSJ International Conference on Intelligent Robots and Systems
• Conference on Robot Learning
• Conference on Neural Information Processing Systems