募集背景

ugoは2026年9月、経済産業省・NEDOのGENIAC（ロボット基盤モデルの研究開発）に採択されました。双腕セミヒューマノイド「ugo Nova」で製造組立作業を自律化する、VTLA（Vision-Tactile-Language-Action）モデルを開発します。

• GENIACに採択（2026年9月9日発表）
• ugo Novaを発表（2026年9月16日発表）
  触覚を含む約30万エピソードの収集と学習基盤の整備が進み、モデル改善の実験を回す手が必要です。π0.5などの公開基盤モデルを、自社データと実機で性能改善していくエンジニアを募集します。

あわせて、物理シミュレータ上の強化学習で接触の多い作業を解き、実機へ転移する取り組みも進めます。VLA・模倣学習と、Sim RL・Sim2Realの両面からモデル開発に取り組むエンジニアを募集します。

ポジションの概要

• 対象タスクと評価指標が定義された状態で、実験の設計・実行・分析・改善を自走していただきます
• 扱うのは、映像・触覚などのセンサーの時系列データから、ロボットの行動（制御の出力）を学習するモデルです
• 入口は次の2つです。どちらの経験から入っても、両方の領域に関わっていただきます
  • VLA・模倣学習：公開基盤モデルのファインチューニングと、学習レシピ・データ構成の改善
  • Sim RL・Sim2Real：物理シミュレータ上での強化学習と、実機への転移
• 技術方針・アーキテクチャの決定はテックリードと部長が担い、その議論にも参加していただきます
• マネジメント業務はありません
• 本ポジションは、機械学習の研究・開発経験をすでにお持ちの方が対象です。未経験からの育成枠ではありません

このポジションの魅力

• 実機とデータを持つ環境：自社ロボット・自社タスク・自社収集データを起点に、学習から実機評価まで一貫して回せます
• 未確立の領域に取り組める：触覚・力覚を使った接触の多い組立タスクは、手法が固まっていない領域です
• 実験の結果が実機ですぐ見える：開発したモデルでロボットが動く様子を、目の前で確かめられます

業務内容

VLA・模倣学習

• π0.5・GR00T等の公開基盤モデルのファインチューニングと、学習レシピ・データ構成の改善

• 模倣学習・強化学習の手法の再現実装と、自社タスクでの比較評価

• 異なる身体性のデータ（ウェアラブル機器・UMI等）を実機へ適用する学習手法の検証
  Sim RL・Sim2Real

• Isaac Lab等の物理シミュレータでの、接触の多い組立タスク（挿入・締結等）の環境構築と報酬設計

• 強化学習方策のSim2Real（Domain Randomization等）と、実機での検証

• 強化学習で獲得した方策のVLAへの蒸留や、VLAに残差強化学習を組み合わせる手法の検証
  評価と分析

• シミュレーション・実機での評価の実施と、失敗要因の分析

• 実験結果の記録・共有と、次の打ち手の提案
  実機への実装

• 学習済みモデルの実機デプロイと動作検証

• データ収集・MLインフラ担当との、データ仕様・学習基盤の要件のすり合わせ

開発環境

• 言語・フレームワーク：Python、PyTorch、JAX、LeRobot、RSL-RL
• 基盤モデル（VLA）：π0.5（openpi）、GR00T、AIRoA-0（LoRA等によるファインチューニング）
• 模倣学習：ACT、Diffusion Policy、Flow Matching系ポリシー
• 強化学習：PPO、Sim-to-Real、Domain Randomization
• シミュレーション：NVIDIA Isaac Lab / Isaac Sim、MuJoCo
• 学習・実験管理：NVIDIA GPU（H100 / H200）、Docker、Weights & Biases
• データ：LeRobotDataset、rosbag / MCAP
• 実機・エッジ推論：ROS 2、NVIDIA Jetson Thor（ugo Nova搭載のオンボード推論用コンピュータ）
• ツール：Git、GitHub、Slack、Notion
• 生成AI・AIコーディング：Claude Code、Codex

参考情報

• コーポレートサイト
• note
• ugo Robotics Radio（チームの話を聴く）
  • #45 ugo AI専門部隊が語る、フィジカルAIの最前線とugo novaで挑むデータ収集
  • #46 ugo AI専門部隊が語る、「ロボットになったつもりで」取るデータと触覚への挑戦

応募時のお願い

• 応募時の書類（履歴書・職務経歴書）はPDF形式にてご提出いただきますようお願い申し上げます
• 書類選考では、以下1を特に重視しています。職務経歴書に記載いただくか、ポートフォリオなどの別資料（形式自由）として必ず添付してください。2は任意です。
  1. ご自身で学習・評価を回して性能を改善した事例を1つ教えてください（課題／ベースライン／打ち手／結果の数値）
  2. その事例を確認できる論文・リポジトリ・発表資料があればURLを教えてください（任意）
     ※変更の範囲：入社後、ご本人の適性により当社業務全般に変更の可能性があります。

• 機械学習の研究・開発経験 通算3年以上（大学院での研究を含む）。うち企業での研究・開発経験1年以上
• PyTorch または JAX で、深層学習モデルの学習・評価を自ら実装した経験
• 次の いずれか の領域での研究・開発経験
  • ロボットの模倣学習・強化学習
  • 自動運転のEnd-to-End・ML Planner・行動予測
  • 物理シミュレータ（Isaac Lab、MuJoCo等）上での強化学習
  • 動画・時系列・マルチモーダル（画像と言語・センサー）の深層学習
• 自ら設計した実験で、ベースラインに対して性能を定量的に改善した経験（論文・コード・社内成果のいずれかで説明できること）
• Gitを用いたチーム開発の経験

• VLA（π0.5、GR00T等）やVLMのファインチューニング経験
• ロボット実機・センサー・アクチュエータを含む開発経験
• 接触の多い操作（contact-rich manipulation）、触覚・力覚センシングを用いた学習の経験
• 接触の多いタスクでの強化学習や、強化学習方策の実機転移（Sim2Real）の経験
• ヒューマノイド・脚ロボットの全身制御（WBC）の学習経験
• LeRobot、ROS2、Isaac Lab / Isaac Simの使用経験
• 分散学習（PyTorch DDP / FSDP）や実験管理（Weights & Biases）の経験
• CoRL、RSS、ICRA、IROS、NeurIPS、ICLR、CVPR等での論文採択・発表経験
• 手法の再現実装のOSS公開

• 仮説を立て、実験で検証し、結果から次の打ち手を決めるサイクルを自走できる方
• 論文の手法を、自社のデータと実機で使えるかを見極めながら実装できる方
• シミュレーションで閉じず、実機での性能にこだわれる方
• 実験の結果や失敗を率直に共有し、チームの議論に貢献できる方