职位描述
岗位介绍
我们正在建设面向具身智能模型研发的统一仿真与评测基础设施，连接仿真环境、模型训练、标准化评测、合成数据和真机验证，服务于机器人策略模型、强化学习、模仿学习及视觉—语言—动作模型的规模化研发。
你将参与平台核心架构与关键模块建设，将分散的仿真场景、模型接口、评测脚本和数据管线沉淀为稳定、可扩展、可复现的平台能力，推动形成“模型接入—批量评测—失败分析—困难场景生成—数据回流—模型复评”的自动化闭环。
我们希望候选人不仅能够使用现有仿真工具完成任务，更具备平台化和系统化思维，能够开发和演进大型机器人仿真平台或 Benchmark 平台。
岗位职责
负责仿真平台的架构设计及核心模块研发，建设覆盖环境管理、任务定义、模型接入、批量运行、指标计算、结果分析和实验追踪的一体化平台。
设计统一的平台抽象与接口体系，对机器人、环境、任务、资产、传感器、控制器、策略模型、数据集及评测指标等核心对象进行标准化封装，提升平台的扩展性、复用性和可维护性。
建设机器人 Benchmark 与标准化评测系统，完善任务规范、环境版本、数据划分、模型接口、指标体系、基线模型和可复现机制，支持模型批量评测、横向对比、结果回放及自动化报告生成。
建设仿真与模型研发之间的自动化闭环，支持模型版本接入、批量推理、评测结果分析、失败案例挖掘、困难与长尾场景生成、训练数据回流和模型复评。
负责主流机器人仿真器及算法框架的接入与二次开发，支持不同仿真后端、机器人模型和算法框架之间的统一调用，并解决复杂场景中的稳定性、确定性及兼容性问题。
参与大规模并行仿真与实验基础设施建设，完善任务编排、资源调度、容器化运行、实验配置、版本管理、故障恢复和结果追踪能力，持续提升仿真吞吐量、稳定性和可复现性。
参与合成数据、程序化场景生成、传感器仿真、Domain Randomization、Real2Sim 或 Sim2Real 等相关能力建设，为模型训练、泛化验证和长尾问题分析提供支持。
与算法、数据、机器人本体及产品团队紧密协作，将具体研发需求抽象为可复用的平台能力，推动仿真系统在模型训练、算法验证、回归测试和真机部署流程中的实际应用。任职要求
计算机科学、机器人、自动化、人工智能、机械工程或相关专业，本科及以上学历。
具备扎实的软件工程和系统设计能力，熟练掌握 Python/C++ 开发、阅读或调试能力；熟悉 Linux 开发环境及常用构建、调试和性能分析工具。
具备中大型软件系统或平台型项目的开发经验，能够独立负责核心模块设计与交付；熟悉模块化设计、接口抽象、配置管理、自动化测试、持续集成和技术文档编写。
熟练使用至少一种主流机器人仿真平台，如 Isaac Sim、Isaac Lab、MuJoCo、SAPIEN、ManiSkill、Gazebo 等。
在以下方向中具备至少一项实际项目经验：
大型机器人仿真平台；
Benchmark 或自动化评测系统；
仿真与模型训练、评测闭环；
仿真合成数据或程序化场景生成。
理解机器人仿真的基本原理，熟悉刚体动力学、碰撞与接触、关节系统、机器人控制及传感器模型等基础概念。
了解强化学习、模仿学习或视觉—语言—动作模型的基本训练与推理流程，能够完成模型与仿真环境之间的接口设计、集成和问题定位。
具备良好的系统分析和复杂问题解决能力，能够定位并解决仿真稳定性、性能瓶颈、结果不一致、资源占用、并发执行及环境复现等工程问题。
具备较强的责任心、自我驱动力和跨团队协作能力，能够在需求存在不确定性的情况下推进平台型项目落地。
加分项
具有大型具身智能仿真平台、机器人 Benchmark、模型评测平台或合成数据平台的完整建设经验，或深度参与过类似 Genie Sim、RoboDojo、ManiSkill、RoboCasa、LIBERO 等系统的研发、扩展或工程化应用。
具有完整的机器人评测体系设计经验，熟悉任务成功率、轨迹质量、碰撞与安全性、执行效率、鲁棒性、泛化能力、OOD 表现及 Sim2Real 相关性等指标。
具有大规模并行仿真经验，熟悉 Docker、Kubernetes、Ray、Slurm 等容器化、分布式计算或集群调度技术。
具有仿真合成数据经验，熟悉场景程序化生成、资产随机化、Domain Randomization、传感器数据生成、自动标注、数据质量检测及数据集版本管理。
熟悉 USD、URDF、MJCF、SDF 等机器人或三维资产格式，具有资产规范化、碰撞建模、材质配置和复杂场景组织经验。
具有 Real2Sim、Sim2Real、三维重建、生成式 AI、程序化内容生成或传感器建模相关经验。
具有机器人真机研发或测试经验，熟悉 ROS/ROS 2、遥操作、数据采集、硬件在环测试及仿真与真机系统对齐。
在机器人、人工智能、计算机图形学或仿真相关领域发表过高质量论文，或在相关开源项目中有持续贡献。
我们期待你
能够从平台和系统层面思考问题，而不局限于单一场景开发或仿真工具使用；
能够在研发效率、仿真可信度、系统性能和工程复杂度之间做出合理权衡；
能够将算法团队的具体需求抽象为稳定、通用、可扩展的平台能力；
对具身智能模型的数据、训练、评测和真机验证流程具有整体理解，并愿意推动仿真基础设施从原型走向规模化应用。
立即投递
