Meet the Team: As a Machine Learning Engineer II – Scene Model, you will help develop and deploy machine learning models that enable autonomous trucks to understand their surrounding environment. Our team focuses on building multi-modal perception systems in bird’s-eye-view (BEV) that fuse information from LiDAR, cameras, radar, and map inputs to produce a unified representation of the scene. Working closely with teams across perception, prediction, planning, and platform infrastructure, you will contribute to models that detect objects, understand road structure, and generate spatial temporal representations used by downstream autonomy systems. This role focuses on developing and improving deep learning models, training pipelines, and data workflows that power scene understanding within the autonomy stack. What You’ll Do - Develop and train machine learning models for scene understanding, including tasks such as object detection, road and lane prediction, semantic voxel grid classification, occupancy prediction, and map understanding in bird’s-eye-view (BEV) space. - Implement production-quality ML code to support model training, evaluation, and inference within the perception stack. - Analyze model performance, identify failure modes, and propose improvements to increase robustness across diverse driving environments and conditions. - Identify and interpret objects, lanes, obstacles, and weather conditions in the driving environment. - Apply data science techniques to analyze model performance, understand data distributions, and identify corner cases. - Contribute to multi-modal perception systems, combining signals from LiDAR, cameras, radar, and map sources into unified scene representations. - Work with large-scale datasets from simulation, fleet logs, and on-vehicle data to curate training data and improve model performance. - Collaborate with data, deployment, and infrastructure teams to evaluate perception models and ensure reliable performance in real-world driving scenarios. - Help integrate perception models into the autonomy stack and testing pipelines, enabling faster experimentation and iteration. - Contribute to tooling and infrastructure that improves training efficiency, experiment tracking, and reproducibility. - Participate in technical discussions around model architectures, sensor fusion strategies, and training approaches 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. - Strong understanding of computer-vision, and machine learning basics. - 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. - Good technical communication skills, written and verbal. - A positive team-player mindset. Bonus Points! - PhD in machine learning or data science. - Experience working in autonomous driving, robotics, or simulation-based training environments. - Experience with distributed training frameworks or large-scale ML infrastructure (e.g., Ray, Anyscale). - 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. - Experience with multi-modal sensor fusion, including LiDAR, cameras, radar, or map inputs. - Experience working with BEV representations, occupancy grids, or 3D scene representations.

Meet the Team: As a Machine Learning Engineer II – Camera Models, you will help develop and deploy machine learning models that power camera-based perception for autonomous trucks. The Camera Models team builds and maintains core vision models that enable the autonomy stack to understand the environment, detect and localize objects, and estimate scene structure from camera data. Working closely with teams across perception, data, and infrastructure, you will contribute to building robust and scalable camera-based models that support safe and reliable autonomous driving in real-world freight operations. This role focuses on developing high-performance vision models and the infrastructure needed to train, evaluate, and deploy them at scale. What You’ll Do - Develop and train deep learning models for camera-based perception, enabling the autonomy stack to detect objects, understand scenes, and estimate geometric information from visual inputs. - Implement production-quality machine learning code to support model training, evaluation, and inference for camera perception systems. - Analyze model performance across diverse driving scenarios, identify failure modes, and improve robustness and generalization. - Contribute to the development and optimization of large-scale training pipelines, including dataset preparation, distributed training, and experiment management. - Work closely with data teams to curate and improve training datasets derived from fleet logs, simulation, and annotation pipelines. - Collaborate with cross-functional teams across perception, simulation, and validation to evaluate model performance and support integration into the autonomy stack. - Improve experimentation workflows and tooling to accelerate model iteration, reproducibility, and evaluation. - Contribute to discussions on model architecture, training strategies, and perception system design. 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 developing machine learning or deep learning models for computer vision or perception systems. - 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 modern deep learning architectures used in perception systems, such as CNNs, transformers, or multi-task learning 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 multi-task learning or perception architectures that combine multiple visual tasks. - Experience working with large-scale data pipelines, distributed training systems (e.g., Ray), or experiment management frameworks. - Familiarity with camera calibration, geometric reasoning, or 3D perception from images. - 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 - Modèles de caméra, vous aiderez à développer et à déployer les modèles d’apprentissage automatique qui favorisent la perception à base de caméra pour les camions autonomes. L’équipe Modèles de caméra conçoit et maintient les modèles de vision clés qui permettent à la pile d’autonomie de comprendre l’environnement, de détecter et de localiser des objets et d’estimer la structure des scènes à partir des données des caméras. Travailler étroitement avec les équipes de perception, de données et d’infrastructure. Vous contribuerez ainsi à bâtir des modèles robustes et adaptatifs à base de caméras, qui viennent appuyer la conduite autonome sécuritaire et fiable dans des opérations de transport en temps réel. Ce poste se concentre sur le développement de modèles de vision haute performance et l’infrastructure nécessaire pour les former, évaluer et déployer à grande échelle. Ce que vous ferez - Développer et entraîner des modèles d’apprentissage profond pour la perception à base de caméras, permettant à la pile d’autonomie de détecter les objets, comprendre les scènes et estimer les informations géométriques provenant de groupes visuels. - Mettre en œuvre un code d’apprentissage automatique de qualité production pour appuyer l’entraînement, l’évaluation et l’inférence de modèles pour les systèmes de perception à base de caméra. - Analyser le rendement de modèles à travers plusieurs scénarios de conduite, identifier les modes d’échec et améliorer la robustesse et la généralisation. - Contribuer au développement et à l’optimisation de pipelines d’entraînement à grande échelle, y compris la préparation des ensembles de données, l’entraînement distribué et la gestion de l’expérimentation. - Travailler étroitement avec les équipes des données pour organiser et améliorer les ensembles de données d’entraînement provenant des registres de flotte, de la simulation et des pipelines d’annotation. - Collaborer avec des équipes pluridisciplinaires de perception, simulation et validation afin d’évaluer le rendement de modèles et contribuer à leur intégration dans la pile d’autonomie. - Améliorer les flux de travail et outils d’expérimentation afin d’accélérer l’itération, la répétabilité et l’évaluation des modèles. - Contribuer aux discussions sur l’architecture de modèle, les stratégies d’entraînement et le design du système de perception. 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 développement de modèles d’apprentissage automatique ou profond pour la vision par ordinateur ou les systèmes de perception. - 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’apprentissage profond modernes utilisées dans les systèmes de perception, comme les CNN, les transformateurs ou les modèles d’entraînement multitâche. - 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 en apprentissage multitâche ou architectures de perception qui combinent plusieurs tâches visuelles. - Expérience de travail avec les pipelines de données à grande échelle, les systèmes d’entraînement distribué (par ex., Ray) ou les cadres de travail de la gestion d’expérimentation. - Familiarité avec l’étalonnage de caméras, le raisonnement géométrique ou la perception 3D d’images. - 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: 102510

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 Comme Ingénieur·e en apprentissage automatique, II - Modèle de scène, vous contribuerez au développement et au déploiement de modèles d’apprentissage automatique qui permettent aux camions autonomes de comprendre leur environnement. Notre équipe travaille sur la conception de systèmes de perception multimodaux en représentation BEV (Bird's-Eye-View). Ceux-ci fusionnent les informations provenant des LiDARs, caméras, radars et cartes pour produire une représentation unifiée de la scène. En travaillant en étroite collaboration avec les équipes de perception, de prédiction, de planification et d’infrastructure de plateforme, vous contribuerez aux modèles qui détectent les objets, comprennent la structure des routes et génèrent des représentations spatio-temporelles utilisées par les systèmes de conduite autonome en aval. Ce poste consiste à développer et améliorer les modèles d’apprentissage profond, les pipelines d’entraînement et les flux de travail des données qui favorisent la compréhension au sein de la pile d’autonomie. Ce que vous ferez - Développer et entraîner les modèles d’apprentissage automatique pour la compréhension de scènes, ce qui comprend des tâches comme la détection d’objet, la prédiction de route et de voie, la classification de grille par voxel sémantique, la prédiction d’occupation et la compréhension de cartes dans un espace BEV. - Mettre en œuvre un code d’AA de qualité production afin d’appuyer l’entraînement, l’évaluation et l’inférence de modèles au sein de la pile de perception. - Analyser le rendement de modèles, identifier les modes d’échec et proposer des améliorations afin d’augmenter la robustesse à travers différents environnements et diverses conditions de conduite. - Identifier et interpréter les objets, les voies, les obstacles et les conditions météorologiques dans l’environnement de conduite. - Appliquer des techniques de la science des données pour analyser le rendement des modèles, comprendre les distributions de données et identifier les « corner cases ». - Contribuer aux systèmes de perception multimodaux, en combinant les signaux provenant des LiDARs, caméras, radars et cartes dans des représentations unifiées des scènes. - Travailler avec des ensembles de données à grande échelle provenant des simulations, des registres de flotte et des véhicules afin d’organiser les données d’entraînement et d’améliorer le rendement des modèles. - Collaborer avec les équipes des données, du déploiement et de l’infrastructure afin d’évaluer les modèles de perception et d’assurer un rendement fiable lors de scénarios de conduite dans le monde réel. - Aider à intégrer les modèles de perception à la pile d’autonomie et tester les pipelines, permettant ainsi une expérimentation et une itération plus rapides. - Contribuer aux outils et à l’infrastructure qui améliorent l’efficacité de l’entraînement, le suivi de l’expérimentation et la répétabilité. - Participer aux discussions techniques par rapport aux architectures de modèles, aux stratégies de fusion de capteurs et aux approches 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. - Grande compréhension de la vision par ordinateur et des notions de base de l’apprentissage automatique. - 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. - Bon niveau de compétences en communication technique, écrite et verbale. - Esprit d’équipe positif. Points bonus - Doctorat en apprentissage automatique ou science des données. - Expérience de travail en conduite autonome, en robotique ou dans des environnements d’apprentissage par simulation. - Expérience avec les cadres d’apprentissage distribué ou l’infrastructure d’AA à grande échelle (par ex., Ray, Anyscale). - 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. - Expérience avec la fusion de capteurs multimodaux, dont les LiDARs, caméras, radars ou cartes. - Expérience de travail avec les représentations BEV, les grilles d’occupation ou les représentants de scènes 3D. 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: 102517