포지션 상세
Tommoro Robotics
투모로로보틱스는 “One Brain, a Thousand Bodies” 비전 아래, 하나의 지능이 다양한 로봇에서 배우고 판단하고 일하는 미래를 만들어갑니다. 로봇 파운데이션 모델(RFM, Robot Foundation Model)을 개발하며, 실제 세계의 경험을 다양한 작업과 환경에서 활용할 수 있는 로봇 지능으로 연결합니다.
포지션 소개
Physical AI Researcher: Model Architecture & Learning은 로봇 파운데이션 모델의 구조와 학습 방법 전반을 연구하는 포지션입니다. 모델 아키텍처, 사전학습(Pre-training), 사후학습(Post-training), 강화학습(Reinforcement Learning)을 주요 연구 영역으로 삼고, 로봇이 세계를 이해하고 추론하며 행동하는 능력을 발전시킵니다.
멀티모달 표현과 행동 생성 구조부터 학습 목표, 최적화, 새로운 작업에 대한 적응까지 연구 가설을 세우고 직접 구현·검증합니다. 대규모 데이터에서 일반적인 역량을 학습하고, 시연·상호작용·피드백을 통해 실제 작업 수행 능력을 개선하는 방법을 탐구합니다. 통제된 비교 실험과 실제 로봇 평가를 통해 성능, 일반화, 학습 효율을 검증합니다.
본인의 전문 분야를 중심으로 연구 과제를 주도하며, 데이터 전략 연구자, 로봇 엔지니어, 인프라 담당자와 협업합니다. 새로운 모델과 학습 알고리즘을 제안하고 실험을 통해 발전시켜갈 연구자 및 Research Engineer를 찾습니다.
• 사전학습(Pre-training) 연구: 대규모 멀티모달·로봇 데이터로 일반적인 표현과 행동 역량을 학습하는 방법을 연구합니다. 학습 목표, 데이터 혼합, 학습 커리큘럼, 최적화 방법을 설계하고 모델·데이터·연산 규모에 따른 성능과 학습 효율을 분석합니다.
• 사후학습(Post-training) 및 작업 적응 연구: 사전학습 모델을 목표 작업과 환경에 적응시키는 학습 방법을 연구합니다. 지도 미세조정, 모방학습, 선호도·피드백 기반 학습 등을 활용하여 지시 수행 능력과 행동의 정확성, 새로운 작업에 대한 적응 성능을 개선합니다.
• 강화학습(Reinforcement Learning) 연구: 보상 설계, 탐색, 정책 최적화 등 강화학습의 핵심 방법을 연구합니다. 오프라인 데이터와 시뮬레이션·실제 환경에서의 상호작용을 활용하여 정책을 개선하고, 보상과 평가 기준에 비추어 학습 안정성·표본 효율·일반화 성능을 검증합니다.
• 연구 가설 수립 및 비교 실험: 기존 모델의 한계를 분석하고 검증 가능한 연구 질문을 정의합니다. 관련 연구와 baseline을 재현·분석하며, 데이터와 평가 조건을 통제한 ablation으로 모델·학습 방법의 기여를 확인합니다.
• 실제 로봇 평가 및 실패 분석: 로봇 엔지니어와 함께 학습한 정책을 실기체에 적용하고, 작업 성공률과 새로운 물체·환경에 대한 일반화, 반복 수행의 안정성을 평가합니다. 오프라인 지표와 실제 행동의 차이를 분석하여 다음 연구로 연결합니다.
• 데이터·시스템 팀과의 공동 개선: Data Strategy 연구자와 필요한 데이터 및 검증 조건을 정의하고, 수집·평가 결과를 공유합니다. 로봇·인프라 담당자와 추론 지연, 학습 안정성, 실험 재현성 등 모델 적용 과정의 문제를 개선합니다.
• 재현 가능한 연구 성과 축적: 실험 코드, 설정, 모델과 평가 결과를 일관되게 관리합니다. 검증된 결과를 기술 보고서·논문·오픈소스 등으로 발전시킵니다.
• PyTorch 또는 JAX를 활용하여 모델 학습·평가를 구현하고 디버깅할 수 있는 역량
• 모델 아키텍처, 사전학습, 사후학습, 강화학습, 멀티모달·생성 모델 중 하나 이상의 분야에서 깊이 있는 연구·개발 경험
• 모델 구조나 학습 방법에 대한 가설을 세우고, 비교 실험으로 효과와 한계를 분석한 경험
• 연구 과제를 주도적으로 수행하고, 구현과 실험 결과를 명확하게 설명할 수 있는 역량
모든 연구 분야의 경험을 요구하지 않습니다. 본인의 강점을 중심으로 연구 과제를 맡으며, 인접 분야의 연구자 및 엔지니어와 협업합니다.
투모로로보틱스는 “One Brain, a Thousand Bodies” 비전 아래, 하나의 지능이 다양한 로봇에서 배우고 판단하고 일하는 미래를 만들어갑니다. 로봇 파운데이션 모델(RFM, Robot Foundation Model)을 개발하며, 실제 세계의 경험을 다양한 작업과 환경에서 활용할 수 있는 로봇 지능으로 연결합니다.
포지션 소개
Physical AI Researcher: Model Architecture & Learning은 로봇 파운데이션 모델의 구조와 학습 방법 전반을 연구하는 포지션입니다. 모델 아키텍처, 사전학습(Pre-training), 사후학습(Post-training), 강화학습(Reinforcement Learning)을 주요 연구 영역으로 삼고, 로봇이 세계를 이해하고 추론하며 행동하는 능력을 발전시킵니다.
멀티모달 표현과 행동 생성 구조부터 학습 목표, 최적화, 새로운 작업에 대한 적응까지 연구 가설을 세우고 직접 구현·검증합니다. 대규모 데이터에서 일반적인 역량을 학습하고, 시연·상호작용·피드백을 통해 실제 작업 수행 능력을 개선하는 방법을 탐구합니다. 통제된 비교 실험과 실제 로봇 평가를 통해 성능, 일반화, 학습 효율을 검증합니다.
본인의 전문 분야를 중심으로 연구 과제를 주도하며, 데이터 전략 연구자, 로봇 엔지니어, 인프라 담당자와 협업합니다. 새로운 모델과 학습 알고리즘을 제안하고 실험을 통해 발전시켜갈 연구자 및 Research Engineer를 찾습니다.
주요업무
• 멀티모달 모델 및 VLA 아키텍처 연구: 시각·언어·행동을 통합하는 VLA(Vision-Language-Action) 및 멀티모달 파운데이션 모델을 연구합니다. 모델 구조, 모달리티 간 정보 결합, 추론과 행동 생성 방식을 설계하고, 다양한 작업과 환경에서의 수행 능력과 일반화를 비교 실험으로 검증합니다.• 사전학습(Pre-training) 연구: 대규모 멀티모달·로봇 데이터로 일반적인 표현과 행동 역량을 학습하는 방법을 연구합니다. 학습 목표, 데이터 혼합, 학습 커리큘럼, 최적화 방법을 설계하고 모델·데이터·연산 규모에 따른 성능과 학습 효율을 분석합니다.
• 사후학습(Post-training) 및 작업 적응 연구: 사전학습 모델을 목표 작업과 환경에 적응시키는 학습 방법을 연구합니다. 지도 미세조정, 모방학습, 선호도·피드백 기반 학습 등을 활용하여 지시 수행 능력과 행동의 정확성, 새로운 작업에 대한 적응 성능을 개선합니다.
• 강화학습(Reinforcement Learning) 연구: 보상 설계, 탐색, 정책 최적화 등 강화학습의 핵심 방법을 연구합니다. 오프라인 데이터와 시뮬레이션·실제 환경에서의 상호작용을 활용하여 정책을 개선하고, 보상과 평가 기준에 비추어 학습 안정성·표본 효율·일반화 성능을 검증합니다.
• 연구 가설 수립 및 비교 실험: 기존 모델의 한계를 분석하고 검증 가능한 연구 질문을 정의합니다. 관련 연구와 baseline을 재현·분석하며, 데이터와 평가 조건을 통제한 ablation으로 모델·학습 방법의 기여를 확인합니다.
• 실제 로봇 평가 및 실패 분석: 로봇 엔지니어와 함께 학습한 정책을 실기체에 적용하고, 작업 성공률과 새로운 물체·환경에 대한 일반화, 반복 수행의 안정성을 평가합니다. 오프라인 지표와 실제 행동의 차이를 분석하여 다음 연구로 연결합니다.
• 데이터·시스템 팀과의 공동 개선: Data Strategy 연구자와 필요한 데이터 및 검증 조건을 정의하고, 수집·평가 결과를 공유합니다. 로봇·인프라 담당자와 추론 지연, 학습 안정성, 실험 재현성 등 모델 적용 과정의 문제를 개선합니다.
• 재현 가능한 연구 성과 축적: 실험 코드, 설정, 모델과 평가 결과를 일관되게 관리합니다. 검증된 결과를 기술 보고서·논문·오픈소스 등으로 발전시킵니다.
자격요건
• 인공지능, 로봇공학, 컴퓨터공학 등 관련 분야의 석사·박사 학위 또는 이에 준하는 연구 경험• PyTorch 또는 JAX를 활용하여 모델 학습·평가를 구현하고 디버깅할 수 있는 역량
• 모델 아키텍처, 사전학습, 사후학습, 강화학습, 멀티모달·생성 모델 중 하나 이상의 분야에서 깊이 있는 연구·개발 경험
• 모델 구조나 학습 방법에 대한 가설을 세우고, 비교 실험으로 효과와 한계를 분석한 경험
• 연구 과제를 주도적으로 수행하고, 구현과 실험 결과를 명확하게 설명할 수 있는 역량
모든 연구 분야의 경험을 요구하지 않습니다. 본인의 강점을 중심으로 연구 과제를 맡으며, 인접 분야의 연구자 및 엔지니어와 협업합니다.
