이런 일을 합니다
리옵스는 제조업 현장의 문제를 해결하는 피지컬 AI를 만들고자 합니다. 물체의 형태, 위치와 접촉 조건이 달라지는 현장에서 로봇이 작업하려면, 주변 공간을 정밀하게 이해하고 그 관측을 적절한 행동으로 연결하는 학습·제어 기술이 필요합니다.
리옵스는 좌·우 영상의 대응점을 찾아 깊이를 추정하는 스테레오 영상 정합 기술과, 3D 점군에서 공간 특징을 추출하는 자체 3D backbone을 개발하고 있습니다. 사내 동일 조건의 비교실험에서 기존 대표적인 3D 모델 대비 일부 정밀 인식 지표와 추론 효율의 우위를 확인했습니다. 이러한 인지 기술을 바탕으로 정밀한 3D 관측과 공간 표현을 로봇 학습·제어로 연결하는 연구에 도전할 수 있습니다.
- 산업용 로봇 작업을 강화학습 문제로 정의하고 관측·행동·보상과 평가 기준을 설계합니다.
- 비전 기반 작업 성공·실패 판단과 로봇 제어를 연결하고 시각 피드백을 활용하는 정책을 개발합니다.
합류하면 사람의 시연과 현장 데이터, 3D 관측을 활용해 실제 제조업 작업을 수행하는 로봇 정책을 연구·개발합니다. 적은 실물 경험으로 학습하는 방법과 사람의 개입을 활용하는 방법을 탐구하고, 논문의 알고리즘을 실제 로봇의 반복 가능한 실험으로 연결하는 역할입니다.
- 사람의 시연, 기존 작업 데이터와 온라인 경험을 활용하는 학습 파이프라인을 개발합니다.
- 사람의 개입·교정·중지와 재개를 반영한 데이터 수집 및 정책 개선 흐름을 설계합니다.
- 제한된 실물 데이터에서 학습 효율을 높이는 방법과 동역학 모델 활용 가능성을 연구·검증합니다.
시뮬레이션에 머무르지 않고 실로봇에서 정책을 검증합니다. 어떤 알고리즘을 썼는지보다, 실제 제약에서 학습 문제를 정의하고 성능을 측정해 기존 방식과 비교하는 일이 중심입니다.
- 실로봇에서 성공률, 반복성, 실패 유형과 학습에 필요한 경험량을 측정하고 기존 제어 방식과 비교합니다.
- 인지·기계·전장·현장 엔지니어와 협업해 학습 정책을 로봇 시스템에 통합합니다.
이런 분을 찾습니다
- 로봇·제어·컴퓨터공학·AI 등 관련 분야 학사 이상의 학위를 보유한 분
- 강화학습 또는 로봇 학습 알고리즘을 직접 구현하고 실험한 경험이 있는 분
- 확률·최적화·머신러닝 및 로봇 제어의 기본 원리를 이해하는 분
- Python 기반 학습·평가 코드를 작성하고 실험을 재현·분석할 수 있는 분
- 논문의 가정과 실제 시스템의 차이를 설명하고, 다른 엔지니어와 가설·실패 원인을 공유하며 재현 가능한 실험으로 개선 방향을 검증할 수 있는 분
특정 알고리즘을 사용했다는 사실보다, 실제 제약에서 학습 문제를 정의하고 성능을 검증할 수 있는 역량을 중요하게 봅니다.
이런 경험이면 더 좋습니다
지원 자료
논문, 학위 연구, 코드 또는 로봇 실험 영상 중 본인의 기여를 확인할 수 있는 자료를 보내주세요. 대표 실험 1~2건의 문제 정의, 데이터 수집 방법, 비교 기준, 결과와 실패 사례를 설명해주시면 좋습니다. 실로봇 경험이 없다면 시뮬레이션 실험의 재현성과 실물 적용 시 예상하는 차이를 함께 설명해주세요.
공동 프로젝트는 본인이 직접 담당한 범위를 구분해주세요. 이전 회사나 연구기관의 기밀 자료를 제출할 필요는 없습니다. 공개 가능한 자료와 설명만으로 지원할 수 있습니다.
합류 절차
서류 지원 → 직무 인터뷰 → 컬처핏 인터뷰 → 오퍼와 합류의 네 단계이고, 보통 2~3주 안에 끝냅니다. 이 포지션은 직무 인터뷰에서 대표 실험의 문제 정의와 비교 기준, 실패 사례를 함께 읽는 시간을 길게 잡습니다.