职位描述
项目背景：构建下一代通用具身智能系统。面向灵巧手和机械臂，打造具备高度泛化性的"通用大小脑"架构，以及用户生态友好的低门槛开发平台。团队正在快速扩充中，以助力数万台交付为目标。
3D 场景与物体重建：实现操作场景与目标物体的高质量三维重建，为仿真数据生成与策略训练提供逼真的数字资产。
人手/灵巧手动作 Retargeting：研究并实现从人手运动捕捉数据到不同构型灵巧手的动作重定向算法，覆盖运动学 retargeting、接触一致性优化、物理可行性约束等关键环节。
大规模合成数据生成：基于物理仿真引擎与生成模型，设计并实现自动化的大规模操作轨迹数据生成 pipeline，包括场景随机化、任务随机化、视觉域随机化等。
自动标注与质量评估模型：开发面向操作数据的自动标注算法——包括抓取姿态标注、接触状态标注、任务成功判定、轨迹质量打分等，减少人工标注成本并保证数据集质量。
跨本体数据迁移与对齐：研究不同机器人本体（不同手型、不同臂型）之间操作数据的跨域迁移方法，包括动作空间对齐、形态学映射、
zero-shot/few-shot 跨本体泛化等。
数据配比与课程策略研究：研究训练数据的最优混合配比、难度递进课程设计、数据多样性与模型泛化之间的定量关系，为端到端模型训练提供数据层面的策略支撑。任职要求
三维重建与渲染：扎实的 3D 视觉基础，熟悉 3D Gaussian Splatting、多视
图几何、网格重建等方法，有场景/物体级重建的实践经验。
动作 Retargeting：理解机器人运动学与人手生物力学，熟悉手部姿态估计、
运动学 retargeting 优化、接触约束下的轨迹优化。
生成模型：熟悉 Diffusion、Flow Matching、视频生成模型在数据合成与增强中的应用，有将生成模型用于机器人数据扩充的经验。
仿真引擎：精通主流仿真引擎，能独立搭建仿真场景、配置域随机化参数并批量生成数据。
深度学习框架：精通 Python 与 PyTorch，熟悉主流视觉模型的使用与微调，
有训练自动标注/评估模型的经验。
数据处理：熟悉大规模多模态数据（视频、点云、轨迹、力/触觉）的处理流程，了解 RLDS、LeRobot Dataset、Open X-Embodiment 等数据格式标准。
有三维重建、动作 retargeting、机器人数据生成、计算机视觉等相关领域实习经验。
