포지션 상세
We are looking for the best
42dot의 AI Fusion Engineer는 자율주행 인지 시스템에서 생성되는 여러 인지 결과를 객체(object) 단위로 결합(fusion)하여, 차량 주변 객체의 위치, 속도, 분류, 존재 여부 등 일관되고 신뢰성 있는 상태(state)를 추정하는 역할을 담당합니다.
여기서의 Fusion은 단순한 센서 결합을 넘어, 동일 센서/다중 카메라/다중 AI 모델/서로 다른 표현 방식(e.g. 2D, 3D)에서 생성된 인지 결과를 하나의 해석으로 통합하는 perception-level/AI-result-level fusion을 의미합니다. 알고리즘 설계부터 C++ 기반 실시간 구현 및 성능 최적화까지 책임지는 엔지니어링 중심 역할입니다.
• 동일 또는 서로 다른 센서(예: 단일/다중 카메라, 카메라–레이더 등)에서 생성된 인지 결과를 - 입력으로 하는 object-level fusion 및 tracking 로직 설계 및 구현
• 다양한 인지 결과를 객체 단위로 통합하는 fusion 로직 개발 (e.g. 2D/3D 인지 결과 결합, multi-camera 결과 통합, camera–radar 결합)
• 객체 간 association, track management 및 lifecycle 관리
• 객체의 위치, 속도, 분류, 존재 여부에 대한 일관된 상태 추정
2) Uncertainty-aware Fusion
• 센서 및 AI 모델 특성에 따른 불확실성(uncertainty)과 신뢰도(confidence)를 고려한 fusion 전략 설계
• 서로 다른 표현 방식, 관측 시점, 신뢰도를 가진 인지 결과 간 불일치 해소
• 중복 객체, false positive/false negative를 줄이기 위한 fusion 로직 개선
3) 실시간 구현 및 성능 최적화
• C++ 기반 실시간 fusion/tracking 알고리즘 구현
• latency, CPU usage, memory footprint를 고려한 성능 최적화
• 실시간 제약 하에서 정확도와 반응성 간 trade-off 조정
4) 성능 평가 및 툴링
• 객체 fusion 및 tracking 성능을 평가하기 위한 지표 정의
• 대규모 로그 기반 성능 분석 및 시나리오별 성능 검증
• 자동화된 성능 평가 및 회귀 테스트 환경 구축
• 서로 다른 인지 결과를 통해 하나의 객체로 해석할 수 있는 구조적 사고 역량
• 센서 및 AI 모델 출력의 특성과 한계를 이해하고 결합 전략을 설계할 수 있는 이해도
• 객체 상태 추정 문제를 단일 필터가 아닌 시스템 전체 관점에서 바라볼 수 있는 인사이트
• 알고리즘 아이디어를 실시간 C++ 코드로 설계 및 구현할 수 있는 역량
42dot의 AI Fusion Engineer는 자율주행 인지 시스템에서 생성되는 여러 인지 결과를 객체(object) 단위로 결합(fusion)하여, 차량 주변 객체의 위치, 속도, 분류, 존재 여부 등 일관되고 신뢰성 있는 상태(state)를 추정하는 역할을 담당합니다.
여기서의 Fusion은 단순한 센서 결합을 넘어, 동일 센서/다중 카메라/다중 AI 모델/서로 다른 표현 방식(e.g. 2D, 3D)에서 생성된 인지 결과를 하나의 해석으로 통합하는 perception-level/AI-result-level fusion을 의미합니다. 알고리즘 설계부터 C++ 기반 실시간 구현 및 성능 최적화까지 책임지는 엔지니어링 중심 역할입니다.
주요업무
1) Object-level Fusion & Tracking• 동일 또는 서로 다른 센서(예: 단일/다중 카메라, 카메라–레이더 등)에서 생성된 인지 결과를 - 입력으로 하는 object-level fusion 및 tracking 로직 설계 및 구현
• 다양한 인지 결과를 객체 단위로 통합하는 fusion 로직 개발 (e.g. 2D/3D 인지 결과 결합, multi-camera 결과 통합, camera–radar 결합)
• 객체 간 association, track management 및 lifecycle 관리
• 객체의 위치, 속도, 분류, 존재 여부에 대한 일관된 상태 추정
2) Uncertainty-aware Fusion
• 센서 및 AI 모델 특성에 따른 불확실성(uncertainty)과 신뢰도(confidence)를 고려한 fusion 전략 설계
• 서로 다른 표현 방식, 관측 시점, 신뢰도를 가진 인지 결과 간 불일치 해소
• 중복 객체, false positive/false negative를 줄이기 위한 fusion 로직 개선
3) 실시간 구현 및 성능 최적화
• C++ 기반 실시간 fusion/tracking 알고리즘 구현
• latency, CPU usage, memory footprint를 고려한 성능 최적화
• 실시간 제약 하에서 정확도와 반응성 간 trade-off 조정
4) 성능 평가 및 툴링
• 객체 fusion 및 tracking 성능을 평가하기 위한 지표 정의
• 대규모 로그 기반 성능 분석 및 시나리오별 성능 검증
• 자동화된 성능 평가 및 회귀 테스트 환경 구축
자격요건
• 다중 센서/다중 모델 인지 결과 통합 경험• 서로 다른 인지 결과를 통해 하나의 객체로 해석할 수 있는 구조적 사고 역량
• 센서 및 AI 모델 출력의 특성과 한계를 이해하고 결합 전략을 설계할 수 있는 이해도
• 객체 상태 추정 문제를 단일 필터가 아닌 시스템 전체 관점에서 바라볼 수 있는 인사이트
• 알고리즘 아이디어를 실시간 C++ 코드로 설계 및 구현할 수 있는 역량
