Стажировка

Осенняя стажировка в Центре когнитивного моделирования ФПМИ МФТИ

Мы приглашаем на стажировку студентов и аспирантов, молодых и опытных программистов.
Вам будут предложены интересные и нетривиальные задачи по разработке систем общего искусственного интеллекта, а именно системам управления поведением программных интеллектуальных агентов, мобильных роботов и беспилотных автомобилей.

Для заявки достаточно заполнить анкету ниже.

Набор до 15 ноября!

Подать заявку

О стажировке

В Центр когнитивного моделирования входит две ведущих лаборатории МФТИ в области искусственного интеллекта - лаборатория когнитивных динамических систем (КДС, заведующий к.ф.-м.н. Панов А.И.) и интеллектуального транспорта НКБ ВС (ИТ, заведующий к.т.н. Юдин Д.А.).

Онлайн-встреча: стажировка, магистратура и аспирантура Центра Когнитивного Моделирования ФПМИ МФТИ

Центр занимается разработкой систем общего искусственного интеллекта, а именно системами управления поведением программных интеллектуальных агентов, мобильных роботов и беспилотных автомобилей.

В Центре постоянно запускаются новые проекты (актуальный список смотрите ниже) и появляются вакансии программистов-исследователей (начинающие) и младших научных сотрудников (если уже есть опыт). Данные позиции подразумевают работу по одному из научных направлений Центра в зависимости от ваших собственных интересов.

Магистратура и аспирантура ФПМИ МФТИ

Разрабатывая искусственное, не забывай о естественном

Учим создавать и работать с системами искусственного интеллекта, которые интегрируют в себе последние достижения в области компьютерных наук, нейрофизиологии и когнитивной психологии

Темы проектов

Работа в нашем Центре проектная. В заявке вы можете выбрать одну или несколько интересных для вас тем, которые условно разделены на следующие четыре раздела:

Заполнить заявку

Направления исследований Центра

Интеграция методов оптимального управления и обучения с подкреплением для мобильного манипулятора

Мобильные манипуляторы (робототехнические системы, включающие мобильную платформу и прикрепленные к ней манипуляторы) могут применяться для выполнения различных задач в человекоориентированных средах (например, в офисных помещениях).

Воплощенное обучение

Воплощенное познание (embodied cognition) – это концепция обучения интеллектуальных агентов, в которой мы явно учитываем свойства внешней среды и то, какую обратную связь она дает агенту в ответ на его действия.

Интеллектуальное управление антропоморфными роботами

Антропоморфная робототехника – это быстро развивающаяся область знаний. На данный момент создаются роботы, движения которых все более похожи на человеческие.

Адаптивное планирование маневров беспилотного автомобиля

Современные мобильные роботы и беспилотные автомобили активно используют методы планирования и поиска на графе состояний для построения траектории своего движения и для построения различных маневров в динамической среде.

Биологически-правдоподобные модели обучения

Новые архитектуры нейронных сетей могут быть построены с привлечением идей из нейрофизиологии. Особенно перспективными могут оказаться иерархические модели на основе хеббовских правил обучения и модели внутренней мотивации для ускорения обучения.

Автономное обучение с подкреплением

Сбор данных в процессе обучения для современных задач в области обучения с подкреплением является дорогой и трудоемкой процедурой. С другой стороны для очень многих прикладных примеров уже имеются большое количество логов поведения эффективных агентов. В автономном обучении с подкреплением предлагается эффективно использовать эти данные и бороться с проблемой смещения распределений.

Обучение распутанным представлениям

Обучение распутанным представлениям – одно из современных актуальных направления в области нейросетевого обучения представлениям (representation learning). Формирование структурированного латентного пространства помогает как в создании эффективных генеративных моделей, так и в построении объяснимых систем ИИ. Особенно актуальны распутанные представления для задач генерации поведения в сложных средах.

Обучение с подкреплением на основе модели

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды. Оперирование объектами для предсказания их вида и динамики в перспективе может оказаться существенно более эффективным, чем оперирование цельными сценами.

Объектно-центричное обучение с подкреплением

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды.

Построение трехмерных семантических карт местности

Построение высокоточных карт высокой размерности (HD-Maps) является одной из ключевых составляющих современных систем управления беспилотных автомобилей и автономных роботов.

Обнаружение, трекинг
и прогнозирование траектории движения 3D-объектов

Распознавание и анализ поведения трехмерных объектов по данным бортовых сенсоров транспортных средств и роботов является важнейшим аспектом для обеспечения безопасности их передвижения.

Определение позы и одометрии робота
по изображениям его RGB-D камер

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение.

Методы автоматического планирования траектории

Особенности методы автоматического планирования траектории:

Среда не полностью наблюдаемая.
Карта постоянно обновляется (меняется).
Нужно строить совокупность неконфликтных траекторий сразу для n мобильных агентов.

и др.

Оптимизация траектории мобильного робота

Задача планирования траектории мобильных роботов (в т.ч. беспилотных автомобилей) может решаться методами оптимального управления. Преимуществаметодов – быстрая сходимость, учет кинодинамики робота, одновременное определение скоростей и ускорений вдоль траектории. Сложность – необходимость начальной догадки о траектории, сложность аналитического представления препятствий.

Дифференцируемое представление 3D-сцены

Решает задачу обучаемой 3D реконструкции сцены в виде поверхности (Mesh) по набору изображений камер с неизвестной 3D-позы. Методы NeRF (Neural Radiance Fields) позволяют синтезировать новые представления сложных сцен путем оптимизации базовой функции непрерывной объемной сцены с использованием разреженного набора входных представлений.

Нейросетевое распознавание места по последовательности сенсорных данных

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение. Точное определение такого пространственного состояния важно для решения задачи локализации робота и дальнейшего планирования его поведения в трехмерном пространстве.

Преимущества

Условия и график стажировки обсуждаются с каждым кандидатом индивидуально.

После успешного окончания стажировки возможно трудоустройство в лаборатории Центра, поступление в магистратуру и аспирантуру, продолжение работы в компаниях партнерах.

Работа под руководством ведущих специалистов в своих областях исследований
Актуальные прикладные и научные проекты
Оплачиваемая
Совмещение с курсовой и выпускной работой
Участие в международных соревнованиях по тематике исследований
Участие в подготовке публикаций в главные журналы и конференции в области искусственного интеллекта

Требования к кандидатам

Главное требование - выполнить тестовое задание и быть готовым работать в лаборатории 20 часов в неделю. Возможна удаленная работа на некоторых проектах.

Безупречное владение Python и\или C++
Отличное знание математической статистики, дискретной математики, теории алгоритмов
Умение писать связный текст на русском и\или английском языках

Заполнить заявку