현장을 읽는 AI,
일하는 로봇을 만듭니다

물류·제조 현장에 적용되는 LiOps의 산업용 Large Spatial Model을 연구·개발합니다.

이런 일을 합니다

• Point Cloud Volumetric Unsupervised Learning: Point Cloud의 Volumetric 정보를 이용한 Unsupervised Learning 기법을 연구 및 개발합니다
• 현재 산업 현장의 포인트 클라우드 AI는 다수의 라벨에 의존하는 지도 학습이 주류입니다. 그러나 이는 센서 및 환경의 변화(domain shift)와 미관측 데이터(unseen dataset)에 취약합니다.
• 리옵스는 비지도 학습(unsupervised learning)으로 센서 다양성과 도메인 변화에 강인한 표현을 이용하여 작동하는 모델을 개발해, 이를 실제 산업 과제들에 적용하고 있습니다.
• Self-supervised Learning for Manufacturing Point Clouds: 제조업 데이터를 이용한 Point Cloud의 Self-supervised Learning을 연구 및 개발합니다.
• 제조·로보틱스(로봇팔, 지게차, 디지털 트윈 등) 전반에 활용 가능한 공통 3D 파운데이션 모델을 목표로 Self-supervised Pretraining을 진행합니다.
• 학습된 가중치를 기반으로 Few-shot Generalization을 달성하기 위해 도메인 어댑터를 설계·연구합니다.
• E2E 3D Deep Learning for Autonomous Robotics: E2E 자율주행 로보틱스에 사용할 3D 딥러닝 모델을 연구 및 개발합니다.
• 포인트 클라우드를 입력으로 받아 플래너가 활용할 수 있는 고품질 임베딩을 생성하고, 지게차와 모바일 매니퓰레이터 등 다양한 플랫폼에 상황 맞춤 제어 시퀀스를 산출하는 End-to-End(E2E) 모델을 개발합니다.
• edge case 및 다양한 시나리오에 대응하기 위한 Reinforcement Learning / Transductive Learning을 연구합니다.

이런 분을 찾습니다

• 3D Backbone (e.g. Point Transformer / Sparse Convolution)
• Neural Signed Distance Fields
• 3D Point Cloud Semantic/Instance Segmentation
• 3D Object Detection in Point Clouds
• Point Cloud Registration
• Point Cloud Retrieval
• LiDAR-based Lifelong SLAM
• Online Map Updating & Map Merging
• Self-supervised / Unsupervised Representation Learning for 3D Point Clouds
• Domain Adaptation / Generalization for 3D Perception

조선소, 제조 공장, 물류 현장에서 LiOps의 3D 공간 인텔리전스 솔루션을 배포하며 기술과 고객 성공을 연결합니다.

이런 일을 합니다

• 고객 현장 배포 및 통합: 조선소, 자동차 공장, 물류 창고 등 고객 현장에서 LiOps의 산업용 Large Spatial Model 솔루션을 배포하고 통합합니다.
• 고객과 직접 협업하여 3D 세그멘테이션, 정합, 재구성 시스템을 로보틱스 워크플로우에 통합
• 현장 기술 이슈를 트러블슈팅하고 특정 고객 환경에 맞게 솔루션을 적응
• PoC를 수행하고 첫날부터 성공적인 프로덕션 배포를 보장
• 기술 지원 및 문제 해결: 실무 기술 지원을 제공하고 LiOps 제품과 고객 요구사항 간의 통합 과제를 해결합니다.
• 고객과 핵심 엔지니어링 팀 사이의 기술 브리지 역할 수행
• 제품 역량과 고객 니즈 간 격차를 파악하고 엔지니어링 팀과 협업하여 해결
• 배포 패턴, 엣지 케이스, 현장 학습을 문서화하여 제품 견고성 향상
• 고객 성공 및 피드백 루프: 고객 프로젝트의 성공을 보장하고 현장 인사이트를 캡처하여 제품 진화를 이끕니다.
• 배포 메트릭을 모니터링하고 고객이 ROI 목표를 달성하도록 지원 (예: 12개월 회수 기간, 비용 절감)
• 고객 피드백, 기능 요청, 페인 포인트를 수집하여 제품 팀에 전달
• 조선, 자동차, 물류 분야의 주요 고객과 장기적인 관계 구축

이런 분을 찾습니다

• 로보틱스, 컴퓨터 비전, 기계공학 또는 관련 분야 전공 (학사 또는 동등 경력)
• Python 및/또는 C++ 프로그래밍 능력 (디버깅, 수정, 통합 가능)
• 로보틱스 시스템(AMR, 매니퓰레이터, 산업용 로봇) 또는 3D 비전 시스템 실무 경험 우대
• 강한 문제 해결 능력 및 비정형·동적 현장 환경에서의 업무 적응력
• 한국어 및 영어 커뮤니케이션 능력 (비즈니스 수준)
• 고객 현장으로의 잦은 출장 가능 (국내 및 간헐적 해외)
• 주니어~미드 레벨 엔지니어(0-3년) 지원 환영 — 현장 경험은 탁월한 학습 기회를 제공합니다

LiOps의 3D 공간 인텔리전스를 실제 로봇 제어로 연결하여, 조선소와 제조 현장에서 작동하는 자율 로보틱스 시스템을 구축합니다.

이런 일을 합니다

• Perception-to-Control 통합: 조선소·제조 현장의 3D Perception 출력을 로봇 제어 커맨드로 변환하는 파이프라인을 설계·구현합니다.
• LiOps의 3D segmentation, registration, reconstruction 결과를 Motion Planner가 활용할 수 있는 형태로 변환
• Point Cloud 기반 장애물 회피, 경로 계획, 그리퍼 포즈 추정 알고리즘 개발
• Perception→Planning→Control 전체 루프를 <100ms latency로 동작하도록 최적화
• 멀티 플랫폼 자율 시스템: AMR, 지게차, 모바일 매니퓰레이터 등 다양한 로봇 플랫폼에 자율 주행 및 조작 기능을 탑재합니다.
• ROS/ROS2 기반 Navigation Stack 설계 및 튜닝 (SLAM, Path Planning, Obstacle Avoidance)
• 산업용 로봇팔(UR, Fanuc 등) 및 AGV/AMR과의 하드웨어 통합
• 비정형 환경(조선소 블록 야적장, 제조 라인)에서의 강건한 Motion Planning 구현
• 실제 현장 배포 및 테스트: 시뮬레이션에 머무르지 않고, 실제 고객 현장에서 로봇 시스템을 검증하고 개선합니다.
• 조선소·물류창고 현장에서 PoC 및 파일럿 배포 주도
• Edge case 및 안전 시나리오 대응을 위한 Fail-safe 메커니즘 설계
• Field 데이터를 기반으로 Control 정책을 반복 개선 (Sim-to-Real Transfer, Online Learning)

이런 분을 찾습니다

• ROS/ROS2 기반 로봇 시스템 개발 경험 (Navigation, Manipulation 등)
• Motion Planning 알고리즘 구현 경험 (RRT, A*, Trajectory Optimization 등)
• 실제 로봇 하드웨어 통합 및 디버깅 경험 (AMR, 로봇팔, AGV 등)
• 실험실이 아닌 산업 현장에서의 배포를 목표로 하는 실용주의적 사고 및 E2E 시스템 구축 협업 태도

이런 경험이면 더 좋습니다

• Point Cloud 기반 Perception-Control 통합 경험
• MPC, LQR 등 Advanced Control 이론 및 구현 경험
• Reinforcement Learning for Robotics (Sim-to-Real, Policy Learning)
• Industrial robot programming (UR Script, KUKA KRL, Fanuc TPP 등)
• 임베디드 시스템 및 실시간 제어 경험 (RTOS, EtherCAT 등)
• Gazebo, Isaac Sim 등 로보틱스 시뮬레이터 활용 경험