职位描述
1. 负责人形机器人强化学习与控制算法相关工作，支持公司新一代人形机器人硬件平台的算法预研、仿真训练、真机适配与工程化落地。
2. 负责机器人强化学习 sim2real 相关工作，包括但不限于电机 / 电推杆等执行器建模、系统辨识、通讯延时、感知延时、噪声、摩擦、结构柔性等真实物理因素的仿真建模与随机化。
3. 参与新型人形机器人硬件的 RL 控制算法预研，例如电推杆、准直驱 / 串弹执行器、灵巧关节等新执行机构上的控制策略训练、稳定性验证与真机部署。
4. 负责 locomotion、whole-body tracking controller、whole-body control 等控制算法在人形机器人硬件平台上的适配、调参、评测与性能优化。
5. 负责强化学习算法在机器人物理样机上的部署落地，包括模型导出、推理部署、控制频率适配、实时性优化、异常保护和安全机制建设。
6. 负责机器人自动化部署、实验管理、仿真评测、真机数据采集与回放等工具链开发，提升算法迭代效率和真机实验稳定性。
7. 跟进机器人强化学习、模仿学习、sim2real、humanoid locomotion、whole-body control 等方向前沿技术，完成算法复现、改进和工程化验证。任职要求
1. 熟悉机器人系统，有人形机器人、四足机器人、双足机器人、机械臂、灵巧手等真实机器人项目经验者优先。
2. 掌握 C++ 和 Python，了解 ROS / ROS2 系统工作方式，具备良好的工程实现、调试和问题定位能力。
3. 熟悉 PyTorch、TensorFlow、JAX 等至少一种深度学习 / 强化学习框架，有 RL 算法训练、调参、评测和部署经验者优先。
4. 熟悉机器人仿真软件，如 MuJoCo、Gazebo、NVIDIA Isaac Gym / Isaac Sim、Genesis、RaiSim 等。
5. 了解机器人 sim2real 过程中的关键问题，包括执行器建模、系统辨识、通讯延时模拟、噪声建模、感知仿真、domain randomization、reality gap 分析等。
6. 了解机器人运动控制相关方法，如 PD 控制、MPC、QP、轨迹优化、whole-body control、whole-body tracking、状态估计等，有相关实践经验者优先。
7. 对机器人技术、强化学习、人形机器人硬件系统和真机调试有浓厚兴趣，能接受快速实验迭代和跨软硬件协作。
加分项
1. 有 humanoid locomotion、whole-body tracking、RL controller、sim2real 真机部署经验。
2. 有电推杆、串联弹性执行器、准直驱电机、液压 / 气动执行器等新型执行器建模和控制经验。
3. 熟悉机器人硬件系统，包括电机驱动、传感器、通讯总线、实时控制、安全保护等。
4. 参与过 RoboMaster、Robocon、智能车等机器人竞赛，或参与过机器人开源项目。
5. 在 ICRA、IROS、RSS、CoRL、NeurIPS、ICLR、ICML 等会议发表过机器人学习、强化学习、控制相关论文。
