Meet the Team: As a Machine Learning Engineer II – Learned Behaviors, you will help develop and deploy behavior models that power decision-making for autonomous trucks. Working closely with teams across perception, prediction, planning, and safety, you will contribute to learned behavior modules that enable safe, efficient, and human-like driving in real-world freight operations. This role focuses on building, validating, and improving machine learning models and infrastructure that support learned behavior systems within the autonomy stack. What You’ll Do - Develop and train machine learning models for learned behavior systems, including approaches such as behavior cloning, imitation learning, and reinforcement learning. - Implement production-quality ML code to support model training, evaluation, and inference within the autonomy stack. - Analyze model performance, identify failure modes, and propose improvements to increase robustness and generalization across scenarios. - Contribute to model training pipelines and data workflows, curating behavior datasets from simulation, fleet logs, and on-vehicle data. - Collaborate with simulation, validation, and autonomy engineering teams to test and evaluate learned behavior models across diverse driving environments. - Help integrate learned behavior models into simulation and testing workflows, enabling faster iteration and more comprehensive validation. - Support the development of tooling and infrastructure that improves experimentation speed, reproducibility, and model iteration. - Contribute to technical discussions around model architecture and training strategies within the team. What You’ll Need to Succeed - Bachelor’s degree in Computer Science, Robotics, Electrical Engineering, Machine Learning, or a related technical field with 4+ years of industry experience, or a Master’s degree with 2+ years of experience. - Experience applying machine learning techniques such as imitation learning, reinforcement learning, or sequence modeling to robotics, autonomous systems, or complex control environments. - Strong programming skills in Python and PyTorch, with experience writing production-quality ML code. - Experience training and evaluating machine learning models using large datasets and scalable compute environments. - Understanding of ML architectures used in autonomy systems, such as transformers, graph neural networks, or sequence models. - Experience debugging model behavior, analyzing performance metrics, and iterating on training pipelines. - Ability to collaborate with cross-functional teams to integrate ML models into larger software systems. Bonus Points! - Experience working in autonomous driving, robotics, or simulation-based training environments. - Experience with reinforcement learning frameworks or distributed training systems (e.g., Ray). - Experience working with simulation environments or large-scale behavior datasets. - Familiarity with vehicle dynamics, motion planning, or multi-agent decision-making systems. - Experience deploying ML models into production or real-world robotics systems.

Meet the Team: As a Machine Learning Engineer II – End-to-End, you will help develop and deploy End-to-End models that power both perception and decision-making for autonomous trucks. Working closely with teams across perception, prediction, planning, and safety, you will contribute to End-to-End models that enable safe, efficient, and human-like driving in real-world freight operations. This role focuses on building, validating, and improving machine learning models and infrastructure that support End-to-End systems within the autonomy stack. What You’ll Do - Develop and train machine learning models for End-to-End percetion and planning, including approaches such as imitation learning and reinforcement learning. - Implement production-quality ML code to support model training, evaluation, and inference within the autonomy stack. - Analyze model performance, identify failure modes, and propose improvements to increase robustness and generalization across scenarios. - Contribute to model training pipelines and data workflows, curating datasets from simulation, fleet logs, and on-vehicle data. - Collaborate with simulation, validation, and autonomy engineering teams to test and evaluate End-to-End models across diverse driving environments. - Help integrate End-to-End models into simulation and testing workflows, enabling faster iteration and more comprehensive validation. - Support the development of tooling and infrastructure that improve experimentation speed, reproducibility, and model iteration. - Contribute to technical discussions around model architecture and training strategies within the team. What You’ll Need to Succeed - Bachelor’s degree in Computer Science, Robotics, Electrical Engineering, Machine Learning, or a related technical field with 4+ years of industry experience, or a Master’s degree with 2+ years of experience. - Experience applying machine learning techniques such as computer vision, imitation learning, or reinforcement learning, to robotics, autonomous systems, or complex control environments. - Strong programming skills in Python and PyTorch, with experience writing production-quality ML code. - Experience training and evaluating machine learning models using large datasets and scalable compute environments. - Understanding of ML architectures used in End-to-End systems, such as BEV models, Transformers, VLA, or diffusion models. - Experience debugging model behavior, analyzing performance metrics, and iterating on training pipelines. - Ability to collaborate with cross-functional teams to integrate ML models into larger software systems. Bonus Points! - Experience working in autonomous driving, robotics, or simulation-based training environments. - Experience with reinforcement learning frameworks or distributed training systems (e.g., Ray). - Experience with VLA or Neural Rendering. - Familiarity with vehicle dynamics, motion planning, or multi-agent decision-making systems. - Experience deploying ML models into production or real-world robotics systems.

À propos de l’entreprise À Torc, nous avons toujours cru que la technologie des véhicules autonomes transformera la façon dont nous voyageons, transportons la marchandise et faisons des affaires. Leader de la conduite autonome depuis 2007, Torc a passé plus d’une décennie à commercialiser des solutions aux côtés de partenaires chevronnés. Nous faisons maintenant partie de la famille Daimler, ce qui nous permet de nous concentrer uniquement sur le développement de logiciels pour les camions automatisés. Nous transformerons la façon dont le monde transporte la marchandise. Joignez-vous à notre équipe : catapultez votre carrière au sein de l’entreprise ayant contribué à créer la technologie de conduite autonome (CA). Nous sommes la première entreprise de logiciels de CA ayant eu la vision de faire équipe directement avec un constructeur de camions. La connaissance de l’anglais est exigée puisque la personne retenue devra collaborer de façon journalière avec des collègues anglophones aux États-Unis et travailler avec la documentation technique rédigée uniquement en anglais. Rencontrez l’équipe En tant qu’ingénieur·e en apprentissage automatique, II - Comportements acquis, vous aiderez à développer et à déployer les modèles de comportements qui favorisent la prise de décision pour les camions autonomes. En travaillant en étroite collaboration avec les équipes de perception, de prédiction, de planification et de sécurité, vous contribuerez aux modules de comportements acquis permettant une conduite sécuritaire, efficace et semblable à celle d’un être humain lors d’opérations de transport dans le monde réel. Ce poste consiste à concevoir, valider et améliorer les modèles d’apprentissage automatique et l’infrastructure qui soutiennent les systèmes de comportements acquis au sein de la pile d’autonomie. Ce que vous ferez - Développer et entraîner les modèles d’apprentissage automatique pour les systèmes de comportements acquis, y compris les approches comme le clonage de comportements, l’apprentissage par imitation et l’apprentissage par renforcement. - Mettre en œuvre un code d’AA de qualité production afin de soutenir l’entraînement, l’évaluation et l’inférence de modèles au sein de la pile d’autonomie. - Analyser le rendement de modèles, identifier les modes d’échec et proposer des améliorations afin d’augmenter la robustesse et la généralisation à travers différents scénarios. - Contribuer aux pipelines d’entraînement des modèles et flux de travail des données, organiser les ensembles de données des comportements provenant de la simulation, des registres de flotte et des données des véhicules. - Collaborer avec les équipes de simulation, de validation et d’ingénierie d’autonomie pour tester et évaluer les modèles de comportements acquis à travers divers environnements de conduite. - Aider à intégrer les modèles de comportements acquis dans les flux de travail de simulation et de test, permettant ainsi une itération plus rapide et une validation plus complète. - Soutenir le développement des outils et de l’infrastructure qui améliorent la vitesse d’expérimentation, la répétabilité et l’itération de modèles. - Contribuer aux discussions techniques par rapport aux architectures de modèles et aux stratégies d’entraînement au sein de l’équipe. Ce dont vous aurez besoin pour réussir - Baccalauréat en informatique, robotique, génie électrique, apprentissage automatique ou autre domaine technique connexe avec au moins 4 ans dans le milieu ou une maîtrise avec au moins 2 ans d’expérience. - Expérience en application de techniques d’apprentissage automatique, comme l’apprentissage par imitation, l’apprentissage par renforcement ou la modélisation par séquence, à la robotique, aux systèmes autonomes ou aux environnements de contrôle complexes. - Compétences robustes en programmation Python et PyTorch, avec de l’expérience en codage d’AA de qualité production. - Expérience en entraînement et évaluation de modèles d’apprentissage automatique à l’aide de grands ensembles de données et d’environnements informatiques adaptatifs. - Compréhension des architectures d’AA utilisées dans les systèmes de conduite autonome, comme les transformateurs, les réseaux neuronaux graphiques ou les modèles par séquence. - Expérience en débogage du comportement des modèles, en analyse des données métriques de rendement et en itération sur les pipelines d’entraînement. - Capacité à collaborer avec des équipes pluridisciplinaires afin d’intégrer les modèles d’AA à de plus grands systèmes logiciels. Points bonus - Expérience de travail en conduite autonome, en robotique ou dans des environnements d’apprentissage par simulation. - Expérience avec les cadres de travail de l’apprentissage par renforcement ou systèmes d’entraînement distribué (par ex., Ray). - Expérience de travail dans des environnements de simulation ou des ensembles de données de comportements à grande échelle. - Familiarité avec la dynamique du véhicule, la planification des mouvements ou des systèmes de prise de décision multiagent. - Expérience en déploiement de modèles d’AA dans les systèmes robotiques en temps réel ou de production. Avantages d’être un employé à temps plein Torc’r Torc se soucie de ses membres d'équipe et s'efforce de fournir des avantages et des ressources pour soutenir leur santé, leur équilibre entre vie professionnelle et vie personnelle, ainsi que leur avenir. Notre culture est collaborative, dynamique et axée sur le travail d'équipe. Torc offre: - Un programme de rémunération concurrentiel incluant un volet de primes et des options d’achat d’actions - Une couverture médicale, dentaire et de la vue pour les employés à temps plein - Un régime d’épargne-retraite (REER) avec une contribution de l’employeur de 4 % - Une subvention pour le transport en commun (uniquement dans la région de Montréal) - Une flexibilité des horaires et des vacances payées généreuses - Des fermetures de bureau pendant les congés fériés à l’échelle de l’entreprise - Une assurance-vie À Torc, nous nous engageons à cultiver un milieu de travail diversifié et inclusif. Nous célébrons l’unicité de chaque membre de l’équipe de Torc. Nous ne faisons pas de discrimination par rapport à l’origine ethnique, la religion, la couleur de peau, la nationalité, le genre (y compris la grossesse, les enfants ou autre condition médicale), l’orientation sexuelle, l’identité de genre, l’expression de genre, l’âge, le statut de vétéran ou les handicaps. Même si vous ne répondez pas à 100 % des qualifications énumérées pour ce poste, nous vous invitons à postuler. Notre rémunération reflète le coût de la main-d'œuvre sur plusieurs marchés géographiques. Le salaire est déterminé en fonction d'un certain nombre de facteurs et peut varier en fonction des connaissances, des compétences et de l'expérience liées au poste. Le programme de rémunération globale de Torc comprend également notre prime corporative et notre régime d’options d’achat d’actions. Selon le poste proposé, des primes d’embauche, des indemnités de relocalisation ou d’autres formes de rémunération peuvent aussi être inclus dans le cadre du programme de rémunération globale, en plus d’une gamme complète d’avantages sociaux, médicaux, financiers et/ou autres. Numéro de poste: 102515

• Développer et entraîner les modèles d’apprentissage automatique pour la perception et planification de bout en bout, y compris les approches comme l’apprentissage par imitation et par renforcement. • Mettre en œuvre un code d’AA de qualité production afin de soutenir l’entraînement, l’évaluation et l’inférence de modèles au sein de la pile d’autonomie. • Analyser le rendement de modèles, identifier les modes d’échec et proposer des améliorations afin d’augmenter la robustesse et la généralisation à travers différents scénarios. • Contribuer aux pipelines d’entraînement des modèles et flux de travail des données, organiser les ensembles de données de la simulation, des registres de flotte et des données des véhicules. • Collaborer avec les équipes de simulation, de validation et d’ingénierie d’autonomie pour tester et évaluer les modèles de bout en bout à travers divers environnements de conduite. • Aider à intégrer les modèles de bout en bout dans les flux de travail de simulation et de test, permettant ainsi une itération plus rapide et une validation plus complète. • Soutenir le développement des outils et de l’infrastructure qui améliorent la vitesse d’expérimentation, la répétabilité et l’itération de modèles. • Contribuer aux discussions techniques par rapport aux architectures de modèles et aux stratégies d’entraînement au sein de l’équipe.