フィジカルAI開発（データ・モデル・基盤） の求人一覧 - ｕｇｏ株式会社

募集背景ugoは2026年9月、ロボット基盤モデル開発の本格化に向けて2つの発表をしました。GENIACに採択（2026年9月9日発表）経済産業省・NEDOの「ロボット基盤モデルの研究開発（GENIAC）」に、ugoのテーマが採択されました。双腕セミヒューマノイドで製造組立作業を自律化するための、VTLA（Vision-Tactile-Language-Action）モデルの開発です。自社のロボット製造ラインで、触覚を含む約30万エピソードのデータを集めますデータ収集キットの開発から、データ収集、モデル構築、実機での実証まで、すべて国内・自社で進めますugo Novaを発表（2026年9月16日発表）基盤モデル開発を前提に、アーキテクチャから設計し直した国産の双腕セミヒューマノイドです。2027年に量産を始める予定です。頭部とハンド部にカメラを標準搭載テレオペレーションで動かした操作を、そのまま教師データとして記録できるNVIDIA Jetson Thorを搭載し、学習済みモデルを本体だけでリアルタイムに推論できる データを集める機体、データを集める現場、データを学習するモデル。この3つを自社でそろえる体制ができました。 このモデル開発の中心を担うエンジニアを募集します。ポジションの概要Physical AIの領域で、VLA、模倣学習、強化学習を使い、新しく開発する双腕ロボットやヒューマノイドのAI基盤モデルをつくります触覚・力覚も使うVTLAモデルで、接触の多い組立・操作タスクの自律化に取り組みますマネジメント業務はありません。論文調査から実機へのデプロイまで、自分の手で進めます開発したモデルが現場でどうユーザーの役に立つか、フィードバックを受けながら進めます 私たちと一緒に、国産AIロボットの開発を通じてフィジカルAIの社会実装に挑戦しませんか？このポジションの魅力Physical AI：AIを実世界の物理的な動きにつなげるリアルな現場データ × 最先端技術（VLA/VTLA） 論文は書けても、実機のデータを持てない研究者は多い領域です。ugoでは、自社のロボット、自社のタスク、自社で集めたデータを起点に開発できます。GENIACでは触覚を含む約30万エピソードを集め、ugo Novaで学習と検証を回します。まだ確立されていない領域を、自ら定義・開拓できる 触覚・力覚を活用したcontact-richマニピュレーションは、まだ手法が固まっていない領域です。シミュレーションで閉じず、現場で働くロボットに実装できるロボット開発としての魅力「AIを積んだだけ」で終わらない モデルの出力がロボットの挙動にフィードバックされるループの中で開発します。実機で検証する機会が多い 自分が開発したモデルで、ロボットが実際に動く様子を目の前で確かめられます。チームの話を聴く（ugo Robotics Radio）#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業務内容双腕ロボットやヒューマノイドに搭載する、VLA/VTLA（視覚・触覚・言語・行動）モデルの研究・開発をお任せします。モデル開発双腕ロボットやヒューマノイド向けのVLA/VTLAモデルの研究・開発π0.5やGR00Tなど、既存の手法やOSSをベースにした自社製品向けのカスタマイズ触覚・力覚を使った学習接触の多い組立・操作タスクで、触覚・力覚を使ってポリシーを獲得するデータと学習手法ウェアラブル機器などで得た、身体性の異なるデータを実機に適合させる模倣学習と強化学習を組み合わせて、汎化性能を上げるSim2Real / Real2Sim2Realで、シミュレーションと実機の差を小さくする実機への実装と検証モデルの評価と安全性の向上制御システムとの統合フィールドテスト他部門との技術的な調整開発環境OS・インフラ：Ubuntu 22.04 / 24.04 LTS、AWS、Runpod、NVIDIA GPU（H100 / H200）、NVIDIA Jetson、Docker、CUDA、SLURM、Kubernetes、GitHub Actions言語・フレームワーク：Python、C++、PyTorch、JAX、LeRobot、RSL-RL分散学習・実験管理：PyTorch DDP / FSDP、DeepSpeed、Weights & Biasesロボティクス基盤：ROS 2、URDF、TF2、MoveIt 2基盤モデル（VLA）：π0.5、GR00T N1.7、MolmoAct2模倣学習・生成モデル：Behavior Cloning、Diffusion Policy、ACT、Flow Matching、LoRA Fine-tuning強化学習：PPO、Actor-Critic、Sim-to-Real、Domain Randomization、Teacher-Student Distillationシミュレーション：NVIDIA Isaac Lab、Isaac Sim（PhysX、Newton）、MuJoCo世界モデル：NVIDIA Cosmosデータ・通信：LeRobotDataset、Safetensors、rosbag / MCAP、ROS 2（DDS）、CAN / CAN FD、gRPC / Protocol Buffers、FlatBuffers、WebSocket開発ツール：Git、GitHub、Slack、Notion、Claude Code、Codex

募集背景ugoは2026年9月、ロボット基盤モデル開発の本格化に向けて2つの発表をしました。GENIACに採択（2026年9月9日発表）経済産業省・NEDOの「ロボット基盤モデルの研究開発（GENIAC）」に、ugoのテーマが採択されました。双腕セミヒューマノイドで製造組立作業を自律化するための、VTLA（Vision-Tactile-Language-Action）モデルの開発です。自社のロボット製造ラインで、触覚を含む約30万エピソードのデータを集めますデータ収集キットの開発から、データ収集、モデル構築、実機での実証まで、すべて国内・自社で進めますugo Novaを発表（2026年9月16日発表）基盤モデル開発を前提に、アーキテクチャから設計し直した国産の双腕セミヒューマノイドです。2027年に量産を始める予定です。頭部とハンド部にカメラを標準搭載テレオペレーションで動かした操作を、そのまま教師データとして記録できるNVIDIA Jetson Thorを搭載し、学習済みモデルを本体だけでリアルタイムに推論できる 大量のマルチモーダルデータを集め、学習し、評価する。このサイクルを速く、確実に回す基盤が欠かせません。 この基盤づくりを担うエンジニアを募集します。ポジションの概要ロボット学習を支えるML基盤（MLOps）全体を担当していただきます自らモデルを開発するのではなく、モデル開発を円滑に回すための基盤を構築・運用することがミッションですロボット領域ならではのデータ・実機を前提としたこの基盤づくりを、当社では 「RoboOps」 と呼んでいます対象は、当社が新規開発する汎用型双腕ロボットやヒューマノイドロボットといったマニピュレータから得られる、マルチモーダルなデータです。データの取り込み・健全化から、データキュレーション、分散学習のスケーリング、実機評価前の大規模オフライン評価基盤まで、研究者・モデル開発者がスムーズに実験・開発できる環境を構築しますマネジメント業務はありません。基盤の設計から構築・運用まで、自分の手で進めます ugoでRoboOpsが回るようになることで、ロボット基盤モデルの開発速度と品質を根本から引き上げる。それがこのポジションの価値です。4つの領域（データ基盤・データキュレーション・学習インフラ・評価基盤）を扱いますが、まずはご自身の得意領域に比重を置いてスタートし、段階的に守備範囲を広げていただけます。将来的には、RoboOps全体を設計・構築するアーキテクトを目指せます。私たちと一緒に、国産AIロボットの開発を通じてフィジカルAIの社会実装に挑戦しませんか？このポジションの魅力技術的な魅力ロボット学習パイプライン全体を横断的に見られる データから学習、評価までを横断的に見られる、裁量の大きいポジションです。大規模ML基盤ならではの技術課題に挑戦できる 分散学習のスケーリングやGPU最適化に取り組めます。「世界モデルを活用したオフライン評価」をロボットで実現する 自動運転領域で確立されつつある手法を、ロボット領域に応用する挑戦です。事業インパクトの大きい仕事 研究者・モデル開発者の実験速度を、直接引き上げられます。組織・カルチャー多様なバックグラウンドを持つエンジニアが国籍問わず在籍するグローバルな環境幅広い専門性を持つエンジニアとともに、最先端のロボット開発に挑戦できる環境得意分野を活かしながら、新しい領域にも挑戦し、スキルを磨ける機会が多くあります国籍も年代も異なる様々なメンバーがフラットに意見を交わし合い、切磋琢磨できるカルチャーキャリア・成長機会MLインフラ・MLOps（RoboOps）のスペシャリストとして、データ基盤・キュレーション・学習インフラ・評価基盤の全領域でスキルを習得得意領域からスタートし、将来的にはRoboOps全体（新規ロボット機種の学習・評価基盤）をアーキテクトとして設計・構築フレックス勤務を活用し、働きやすい環境で技術革新に挑戦できますチームの話を聴く（ugo Robotics Radio）#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業務内容データ基盤構築マルチモーダルなロボットデータ（映像・行動データ・力覚等）の 取得 → 変換 → ヘルスチェック を一貫したパイプラインとして構築し、任意のデータの組み合わせを高速に構築・再現できる基盤を整備（複数デバイス・高スループット対応）大規模データセット管理のためのストレージシステム・メタデータインデックス構築データキュレーションモデルの弱点・不足しているデータを起点に、学習に回すデータをデータプールから自動選別するキュレーション基盤（オートキュレーション）の構築キュレーション結果を学習に連携し、データ改善 → 再学習のサイクルを高速に回せる仕組みの整備学習インフラ・分散学習マルチGPUによる分散学習のサポート（モデル開発者の負担を最小限に）学習インフラ全体の管理（ジョブスケジューリング、チェックポイント、メトリクス、ログ）SLURM / Kubernetes等によるGPUクラスタのワークロード管理GPU利用率・メモリ使用量・学習スループットのプロファイリングと最適化データローダー・シャーディング・プリフェッチの最適化（データ到着から学習開始までの時間短縮）評価基盤学習完了後、実機評価の前に大規模オフライン評価を実施し、モデルの良し悪しを判断できる基盤の構築（finetuneされたモデルを世界モデル上で評価）自動運転領域で確立されつつある「世界モデルを活用したオフライン評価」を、ロボット領域に応用していくことを目指します※世界モデルそのものの開発はモデル開発チームが主管。RoboOpsは、世界モデルの学習を支える大規模データ基盤・分散学習インフラの提供と、評価での活用を担いますデバッグ・可視化・実験分析のための研究ツール構築共通業務研究者・モデル開発者と密に連携し、研究ニーズを信頼性の高いソフトウェア・インフラに変換フィールドテストおよび技術検証のサポート他部門（ハードウェア、事業開発）との技術調整、要件定義のサポート開発環境OS・インフラ：Ubuntu 22.04 / 24.04 LTS、AWS、Runpod、NVIDIA GPU（H100 / H200）、NVIDIA Jetson、Docker、CUDA、SLURM、Kubernetes、GitHub Actions言語・フレームワーク：Python、C++、PyTorch、JAX、LeRobot、RSL-RL分散学習・実験管理：PyTorch DDP / FSDP、DeepSpeed、Weights & Biasesロボティクス基盤：ROS 2、URDF、TF2、MoveIt 2基盤モデル（VLA）：π0.5、GR00T N1.7、MolmoAct2模倣学習・生成モデル：Behavior Cloning、Diffusion Policy、ACT、Flow Matching、LoRA Fine-tuning強化学習：PPO、Actor-Critic、Sim-to-Real、Domain Randomization、Teacher-Student Distillationシミュレーション：NVIDIA Isaac Lab、Isaac Sim（PhysX、Newton）、MuJoCo世界モデル：NVIDIA Cosmosデータ・通信：LeRobotDataset、Safetensors、rosbag / MCAP、ROS 2（DDS）、CAN / CAN FD、gRPC / Protocol Buffers、FlatBuffers、WebSocket開発ツール：Git、GitHub、Slack、Notion、Claude Code、Codex

募集背景ugoは2026年9月、ロボット基盤モデル開発の本格化に向けて2つの発表をしました。GENIACに採択（2026年9月9日発表）経済産業省・NEDOの「ロボット基盤モデルの研究開発（GENIAC）」に、ugoのテーマが採択されました。双腕セミヒューマノイドで製造組立作業を自律化するための、VTLA（Vision-Tactile-Language-Action）モデルの開発です。自社のロボット製造ラインで、触覚を含む約30万エピソードのデータを集めますデータ収集キットの開発から、データ収集、モデル構築、実機での実証まで、すべて国内・自社で進めますugo Novaを発表（2026年9月16日発表）基盤モデル開発を前提に、アーキテクチャから設計し直した国産の双腕セミヒューマノイドです。2027年に量産を始める予定です。頭部とハンド部にカメラを標準搭載テレオペレーションで動かした操作を、そのまま教師データとして記録できるNVIDIA Jetson Thorを搭載し、学習済みモデルを本体だけでリアルタイムに推論できる モデルの性能は、データの量と質で決まります。 その土台となるデータ収集から入り、モデル開発まで手がけるエンジニアを募集します。ポジションの概要ロボット学習の土台となるデータ収集・整備を起点に、学習・評価のオペレーションを経て、模倣学習・強化学習によるモデル改善（アーキテクチャ変更含む）を担うロボット基盤モデル開発者へと、段階的に成長していくポジションです「まずデータとモデルの現場を一通り経験し、そこから本格的なモデル開発者へ」というキャリア形成を前提としています大学院で機械学習を研究された方、または事業会社で機械学習の実務を数年経験された方が対象です。研究または実務で培った機械学習のバックグラウンドと自走力を、当社の実プロダクト開発に接続していただきます（ロボット領域の経験は問いません）Physical AIと呼ばれる「VLM（大規模視覚言語モデル）」「VLA（大規模視覚言語行動モデル）」や模倣学習・強化学習を、当社が新規開発する汎用型双腕ロボットやヒューマノイドロボットといったマニピュレータに実装していきます。その最前線で、データからモデルまでを一貫して手がけられる環境ですマネジメント業務はありません。データ収集の仕組みづくりから実装まで、自分の手で進めます 私たちと一緒に、国産AIロボットの開発を通じてフィジカルAIの社会実装に挑戦しませんか？成長ステップ（このポジションの進み方）以下のステップで、段階的に担当領域を広げていくことを想定しています。習得のスピードや志向に応じて、各ステップの期間や重点は柔軟に調整します。STEP 1｜データ収集・データ基盤の実務：実機テレオペレーションによるデータ収集を起点に、データの整備・品質管理・データセット運用までを一貫して担当STEP 2｜学習・評価のオペレーション：整備したデータを用いた学習ジョブの実行、モデル評価のオペレーターとして、モデル開発の一連の流れを実務で習得STEP 3｜モデル改善・開発への展開：模倣学習・強化学習を用いたモデル改善（アーキテクチャ変更を含む）へとステップアップ。ロボット基盤モデル開発の主戦力を目指すこのポジションの魅力技術的な魅力これまでの機械学習の経験を、実プロダクトに接続できる 大学院での研究や実務で培った経験を、新規開発ロボットという企業の実プロダクトに活かせます。土台から最先端まで、段階的に関われる データ収集・整備という機械学習の土台から実務を学び、学習・評価のオペレーションを経て、模倣学習・強化学習・VLM/VLAという最先端領域に関わっていけます。まだ確立されていない領域に挑戦できる 実機テレオペに加え、ウェアラブルデバイスを活用したデータ収集など、新しい領域にも取り組めます。実機での検証機会が豊富 自分が整備したデータやモデルがロボットとして動く様子を、間近で見られます。組織・カルチャー多様なバックグラウンドを持つエンジニアが国籍問わず在籍するグローバルな環境国籍も年代も異なる様々なメンバーがフラットに意見を交わし合い、切磋琢磨できるカルチャー得意分野を活かしながら、新しい領域にも挑戦し、スキルを磨ける機会が多くありますキャリア・成長機会データ基盤・オペレーションを起点に、模倣学習・強化学習によるモデル開発の主戦力へとキャリアを広げていける将来的には、扱うデータ種の拡大（ウェアラブルデバイス等）や新規タスクの立ち上げなど、データ起点で担当領域を広げていける実装力を磨きながら、Physical AIという最先端領域で成長できる環境フレックス勤務を活用し、働きやすい環境で技術力を伸ばせますチームの話を聴く（ugo Robotics Radio）#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業務内容まず担当いただく領域：データ収集・データ基盤整備実機（新規開発ロボット等）を用いた テレオペレーション による操作データ・デモンストレーションデータの収集収集データのアノテーション、ラベリング、クリーニング収集済みデータの検品（データが壊れていないかの確認）データセットの品質チェックと管理（LeRobotDataset、Safetensors、rosbag / MCAP等でのフォーマット整備）データ収集パイプラインや、データの自動スクリーニングの実装モデル改善に用いるデータセットの管理・運用（バージョニング、再学習用データの整備等）モデル開発チームと連携し、必要なデータの要件整理学習・評価のオペレーション収集・整備したデータを用いた学習ジョブの実行モデル評価の実施と結果の整理ステップアップ後に担当いただく領域模倣学習・強化学習によるロボット行動生成モデルの開発・改善（アーキテクチャ変更を含む）LeRobot frameworkを用いた模倣学習の実装Diffusion Policy、ACTなどのアルゴリズムを活用したモデル改善NVIDIA Isaac Lab / Isaac Simを用いたシミュレーション・学習パイプラインの構築VLM/VLAの開発・ファインチューニングチャレンジング領域（今後取り組む新しいデータ収集）実機のテレオペデータにとどまらず、ウェアラブルデバイスを活用した新しいデータ収集手法の構築・運用新規のデータ取得手法に応じたデータセット設計・パイプライン整備開発環境OS・インフラ：Ubuntu 22.04 / 24.04 LTS、AWS、Runpod、NVIDIA GPU（H100 / H200）、NVIDIA Jetson、Docker、CUDA、SLURM、Kubernetes、GitHub Actions言語・フレームワーク：Python、C++、PyTorch、JAX、LeRobot、RSL-RL分散学習・実験管理：PyTorch DDP / FSDP、DeepSpeed、Weights & Biasesロボティクス基盤：ROS 2、URDF、TF2、MoveIt 2基盤モデル（VLA）：π0.5、GR00T N1.7、MolmoAct2模倣学習・生成モデル：Behavior Cloning、Diffusion Policy、ACT、Flow Matching、LoRA Fine-tuning強化学習：PPO、Actor-Critic、Sim-to-Real、Domain Randomization、Teacher-Student Distillationシミュレーション：NVIDIA Isaac Lab、Isaac Sim（PhysX、Newton）、MuJoCo世界モデル：NVIDIA Cosmosデータ・通信：LeRobotDataset、Safetensors、rosbag / MCAP、ROS 2（DDS）、CAN / CAN FD、gRPC / Protocol Buffers、FlatBuffers、WebSocket開発ツール：Git、GitHub、Slack、Notion、Claude Code、Codex