1、教育背景： 计算机科学、人工智能、机器人学、控制工程等相关专业，本科及以上学历。 2、算法基础： 具备扎实的深度强化学习理论基础，熟练掌握PPO、SAC等主流算法原理，深入理解快速运动自适应、基于视觉/盲走的运动控制等前沿强化学习控制框架。 3、控制与动力学： 深入理解人形/双足机器人的运动学与动力学，熟悉刚体动力学建模、接触模型及状态估计。 4、具身智能与多模态经验： 熟悉Transformer架构，对具身智能前沿模型（如RT系列、Octo、OpenVLA、ALOHA等）有深入理解，有视觉-语言大模型微调或部署经验者优先。 5、工程与仿真能力： 精通Python/C++，熟练使用PyTorch。精通Isaac Gym、Isaac Sim、MuJoCo、RaiSim等至少一种高性能并行物理仿真引擎，具备编写定制化CUDA算子优化训练速度经验者优先。加分项： 1、有真实全尺寸人形机器人强化学习算法真机部署经验，成功解决过虚实迁移差异导致的抖动、发散等实际工程问题。 2、熟悉传统机器人全身控制算法（如模型预测控制、全身控制），并有将传统控制与强化学习结合的成功落地经验。 3、在具身智能或机器人顶级会议/期刊（如CoRL、ICRA、IROS、RSS、NeurIPS、CVPR等）发表过人形控制、VLA、移动操作相关高水平论文。 4、参与过开源具身智能大模型或强化学习控制框架的二次开发或源码贡献。 1、双足敏捷运动控制： 负责基于深度强化学习的人形机器人双足运动控制算法研发。设计并优化端到端或分层强化学习策略，实现机器人在非结构化/离散地形下的盲走与基于视觉/本体感觉融合的感知运动，突破高动态（跑、跳）及多模态运动的泛化瓶颈。 2、策略鲁棒性与虚实迁移： 针对人形机器人高维状态空间与强非线性、欠驱动特性，深入研究特权信息学习、不对称Actor-Critic架构及师生蒸馏机制。构建完善的动力学参数随机化与执行器网络建模，提升策略对未建模动力学、外部扰动及负载突变的鲁棒性，确保仿真到现实的高效闭环。 3、拟人化运动与先验学习： 研发基于参考轨迹或无参考的强化学习算法。利用对抗运动先验、大规模动作捕捉数据重定向，解决人形机器人运动的“非自然”问题，优化能耗与关节力矩平滑度，生成符合人体运动学规律的自然步态。 4、数据驱动与模型驱动融合： 探索强化学习与经典最优控制（如模型预测控制、全身控制）的深度融合架构。例如研发基于强化学习的步态规划器（输出落足点/质心轨迹/接触扳手）配合底层全身控制力矩分配，或采用残差强化学习补偿传统控制器的未建模误差，实现高精度、高顺应性的全身力控。 5、视觉-语言-动作模型（VLA）研发与落地： 探索并落地视觉-语言-动作大模型，将多模态大模型（多视角视觉、自然语言指令）与机器人底层动作策略进行对齐，实现端到端的复杂任务推理与执行。 6、全身协同移动操作： 针对人形机器人双臂与双足的强耦合特性，研发基于强化学习的全身协同移动操作算法，解决机器人在动态移动过程中的目标识别、灵巧抓取、避障及全身姿态协调难题。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录