Senior Robotics ML Engineer

About the JobA Chennai based Zoho group of company is seeking an experienced engineer to design, train, and deploy reinforcement learning (RL) policies for an Ackermann-steered robotic vehicle. This role involves full stack ownership from data pipelines and simulation to on-vehicle inference spanning perception, planning/control, and MLOps. You should be skilled in PyTorch (primary), with production experience in TensorFlow/Keras, and possess strong data engineering capabilities.  What You’ll DoReinforcement Learning ●Design and implement RL/IL algorithms for lateral and longitudinal control (e.g., SAC, TD3, PPO, IQL/CQL, BC/DAgger). ●Build reward functions and constraints that respect Ackermann kinematics, curvature limits, tire slip, and comfort. ●Contribute to safe and constrained RL frameworks with uncertainty estimation and fallback control strategies (PID/MPC). Perception and Vision ●Develop perception models for occupancy, drivable space, and obstacle detection/tracking. ● Maintain computer vision pipelines for applications such as orchards, dairy farms, and off-road environments. ● Fuse multi sensor inputs (camera, IMU, encoders, and optionally LiDAR) for robust state estimation. Planning and Control Integration ● Implement trajectory tracking, safety envelopes, and collision checking. ● Calibrate steering angle to curvature (Ackermann geometry) and validate with off-road telemetry. ● Collaborate on hybrid IL/RL control or MPC-based integration strategies Data engineering and MLOps ● Build data pipelines from vehicle logs to train/evaluation datasets with automated quality checks. ● Design and manage feature stores, dataset versioning, and automated labeling loops. ●Establish reproducible model training, experiment tracking, and CI/CD workflows for ML models Simulation and testing ●  Demonstrate closed-loop on-vehicle driving at low to moderate speeds with defined safety gates and KPIs (tracking error, intervention rate, comfort). ●Author scenarios and evaluators (closed‑loop tests, Monte Carlo, rare‑event mining). On‑vehicle deployment ●Deploy and optimize networks on embedded platforms (Jetson Orin/Xavier, x86 GPU) using TensorRT/CUDA with real-time scheduling and profiling.. Collaboration ●Work cross‑functionally with controls, firmware, and test teams; mentor junior engineers. Minimum Qualifications ●6+ years of industry experience in ML/robotics systems (or 3+ with a relevant MS/PhD), including 2+ yeas in RL for control/robotics. ● Strong proficiency in Python and at least one systems language (C preferred). ● Deep expertise in PyTorch with production exposure to TensorFlow/Keras. ● Solid foundations in: ■ RL/IL (value/policy gradients, offline RL, dataset curation, covariate shift handling). ■ Control and estimation (Ackermann kinematics/dynamics, PID/MPC, EKF/UKF). ■ Computer vision (detection, segmentation, tracking; BEV/occupancy). ● Strong data engineering background—ETL, large-scale dataset handling, Docker/Linux, and GPU/cloud workflows.● Proven ROS/ROS2 development experience with real-world sim-to-real deployments on mobile robots or vehicles. Preferred Qualifications ● Experience with safe or constrained RL, uncertainty modeling, or risk-aware planning. ● Background in offline RL (CQL/IQL/AWR) and hybrid IL/RL training curricula. ● Familiarity with mapping/localization (HD/vector maps, lane graphs). ● Experience in automotive/robotics safety (SOTIF ISO 21448, ISO 26262) and test track operations. ● Experience with nav2, CAN, and embedded interfaces. Key Outcomes (First 90–180 Days) Establish a data pipeline from vehicle logs to curated train/eval datasets with automated quality checks.  ● Deliver a baseline IL policy (lane following, obstacle avoidance) in simulation and progress to RL fine-tuning with safety constraints. ● Demonstrate closed-loop on-vehicle driving at low to moderate speeds with defined safety gates and KPIs (tracking error, intervention rate, comfort).●Set up CI/CD workflows and reproducible benchmarking across simulation and track runs. Stack You’ll Use ML: PyTorch (primary), TensorFlow/Keras, ONNX/TensorRT, CUDA Vision: OpenCV, torchvision, Detectron/YOLO, BEV/occupancy frameworks Robotics: ROS2, nav2, C17/20 Data & MLOps: Python, Pandas/Numpy, Arrow/Parquet, DVC/MLflow/W&B, Docker, Git, CI Simulation: CARLA, Isaac Sim, Gazebo, AirSim