1、教育背景： 计算机科学、机器人学、自动化、人工智能等相关专业，本科及以上学历； 2、算法基础： 具备扎实的深度学习（Deep Learning）和强化学习理论基础，深刻理解并能熟练应用主流RL算法（如PPO, SAC, DDPG, TD3等）； 3、编程能力： 具备优秀的编程能力，精通Python和C/C++，熟练使用PyTorch或TensorFlow等深度学习框架； 4、仿真经验： 熟练使用至少一种主流物理仿真引擎（如Isaac Gym, MuJoCo, RaiSim, PyBullet等），有大规模并行训练经验者优先； 5、机器人基础： 熟悉机器人运动学与动力学基础知识，了解常见的刚体动力学建模方法，熟悉机械臂运动学（正逆解）及轨迹规划者优先； 6、综合素质： 具备良好的英文文献阅读能力、逻辑分析能力和团队协作精神，对机器人技术有强烈的热情。加分项（Preferred Qualifications）： 1、有真实的四足/双足/轮足机器人或复合机器人（移动底盘+机械臂）强化学习算法部署与调试经验者优先； 2、熟悉传统机器人控制算法，如模型预测控制（MPC）、全身控制（WBC），并有将强化学习与传统控制相结合经验者优先； 3、在机器人或人工智能领域顶级会议/期刊（如ICRA, IROS, RSS, NeurIPS, ICML, CVPR等）发表过相关高水平论文者优先； 4、有开源机器人强化学习项目贡献经验，或在相关技术竞赛中取得优异成绩者优先。 1、算法研发与设计： 负责四足/轮足机器人运动控制相关的强化学习（Reinforcement Learning）算法前沿技术研究、设计与开发，提升机器人在复杂地形下的运动能力、稳定性和鲁棒性； 2、全身协同与联合控制（重点）： 负责四足/轮足机器人与机械臂的联合控制（Whole-Body Control / Mobile Manipulation）算法研发，利用强化学习解决移动抓取、动态平衡、以及底盘与机械臂在复杂任务中的协同操作难题； 3、仿真与训练： 负责搭建和维护基于物理引擎（如Isaac Gym, MuJoCo, MjLab等）的机器人强化学习训练环境，针对底盘+机械臂的复合系统设计合理的状态空间、动作空间及奖励函数（Reward Function）；4、Sim-to-Real 迁移： 攻克仿真到现实（Sim-to-Real）**的迁移难题，确保在仿真环境中训练的策略能够高效、稳定地部署到真实的“四足/轮足+机械臂”复合硬件平台上； 5、系统集成与优化： 与硬件、底层控制及感知团队紧密合作，完成算法在嵌入式平台上的工程化落地与实时性优化； 6、前沿追踪： 持续追踪机器人控制与强化学习领域的最新学术进展（如基于视觉的强化学习、模仿学习等），并推动相关技术在实际产品中的落地应用。

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