职位描述【职位描述】 我们正在构建面向真实世界复杂操作任务的新一代具身智能系统，聚焦人机协作、精细灵巧操作等高价值场景。 我们希望探索的不只是“机器人能完成一次任务”，而是让机器人具备真正的感知—决策—动作—反馈闭环能力：能够理解环境与任务，感知接触与物体状态，在毫秒级反馈中调整动作，并在失败、扰动和未知环境下持续适应。 你将参与构建 System 1 + System 0 分层具身智能架构：由低频的语义理解、任务规划与技能生成，到高频的行为生成、力/触觉反馈与反射控制，打通从 Foundation Model → Policy → Sensorimotor → 真机执行 的完整链路。 这是一个强调算法创新与真实机器人落地并重的岗位。你可以深入算法模型，也可以向数据、仿真、训练系统和机器人部署延伸，最终目标是让算法真正跑在机器人上、解决真实世界的问题。 【核心职责】 1. System 0 / System 1 分层策略与控制 设计并研发System 1低频语义策略与System 0高频行为/控制策略，建立长短时序协同的分层具身智能架构。 面向抱扶、护理、人机协作、精细操作等复杂任务，研究策略生成、行为反馈与稳定闭环控制。 探索Behavior Cloning、强化学习、Diffusion / Flow Matching、World Model、Meta Learning等方法在机器人操作中的应用。 研究异常检测、失败恢复、实时适应与持续学习等能力。 2. 多模态 Sensorimotor 与灵巧操作 融合视觉、语言、六维力/力矩、指尖触觉、关节状态等多模态信息，构建统一的感知—动作策略。 研究末端位姿、关节位置/力矩、刚度、接触力、触觉目标等异构动作空间的表示、对齐与协同生成。 构建从环境感知、接触状态估计、动作生成到执行反馈的完整Sensorimotor闭环。 攻克接触建立/解除、滑移、碰撞、遮挡、手指协同及人机交互状态变化等复杂问题。 3. 高性能策略与实时控制 研发手臂及灵巧手的高频行为生成与控制策略，实现稳定、连续、可控的操作行为。 研究力控制、刚度调节、接触稳定、局部避障及快速反射等能力。 解决真实机器人部署中的延迟、抖动、动作不连续、接触振荡、执行器差异及跨本体适配等问题。 构建低延迟推理与执行架构，实现低频智能决策与高频控制的稳定协同。 4. 数据、训练与评测闭环 围绕机器人技能建立多源数据体系，覆盖真机遥操作、自主执行、人工接管、失败恢复、Ego数据、互联网数据以及仿真数据。 建设数据清洗、标注、动作重定向、抓取姿态生成、接触标注、质量评估等数据生产能力。 研究跨来源、跨机器人、跨灵巧手构型的数据对齐与知识迁移。 建立“数据采集 → 训练 → 仿真/离线评测 → 真机验证 → 失败回流”的完整闭环，通过Hard Case Mining和主动数据采集持续提升模型能力。 分析数据规模、质量、配比、模型结构和训练策略对最终能力的影响，开展Scaling、消融及数据效率研究。 5. 仿真与Sim-to-Real 搭建面向灵巧手及手臂—灵巧手系统的高精度仿真环境，覆盖动力学、摩擦、传动、柔顺性及复杂接触建模。 建立视觉、力/力矩、触觉等多模态传感器仿真能力。 研究系统辨识、参数校准、域随机化、动力学随机化及在线参数估计，缩小Sim-to-Real Gap。 面向稀有接触状态、危险操作及长尾失败构建仿真补充数据。 6. 真机部署与工程化落地 推动策略模型在真实机器人上的部署与优化，参与机械臂、灵巧手、传感器及整机系统联调。 定位并解决推理超时、通信阻塞、触觉漂移、力信号噪声、执行抖动及接触不稳定等问题。 建立覆盖离线、仿真和真机的自动化评测与回归体系，推动模型能力持续迭代。 建立线上数据回流、风险事件捕获、失败归因及持续学习机制，让真实世界成为模型持续进化的数据源。任职要求基础要求 1. 毕业时间介于2026年9月至2027年8月的国内外高校的本科生、硕士生、博士生；计算机、机器人、自动化、电子工程、机械、数学等相关专业优先。 2. 具备扎实的机器学习、深度学习、机器人学或控制理论基础。 3. 熟练掌握 Python / C++ / PyTorch，具备较强的算法实现与工程能力。 4. 有真实机器人项目经验，能够完成从算法研究、模型训练到真机部署和问题定位的完整闭环。 我们重点寻找以下方向的人才，以下方向满足其中一项或多项即可： 1. 具身策略 / VLA / Robot Policy：Behavior Cloning、Diffusion Policy、Flow Matching、RL、World Model等。 2. Sensorimotor / 灵巧操作：视觉-力觉-触觉融合、接触丰富型操作、灵巧手控制与策略学习。 3. System 0 / 高频控制：高频策略、力控、阻抗控制、实时控制、低延迟行为生成。 4. 机器人学习 / Sim2Real：仿真环境、系统辨识、域随机化、Sim-to-Real。 5. 具身数据：机器人数据采集、数据治理、动作重定向、跨具身数据对齐、数据Scaling。 6. 机器人系统：机械臂、灵巧手、多传感器系统、实时推理与机器人部署。 加分项： 1. 在 CoRL、RSS、ICRA、IROS、NeurIPS、ICML、CVPR、ICCV、AAAI 等会议发表机器人/具身智能相关论文。 2. 有VLA、World Model、Robot Foundation Model或大规模机器人策略训练经验。 3. 有大规模真实机器人数据采集、训练和评测经验。 4. 有灵巧手、力觉/触觉、双臂协作或Contact-rich manipulation经验。 5 有真实商业机器人项目从0到1落地经验。 6. 有开源项目、竞赛/Benchmark领先成绩或较强技术影响力。 7. 对机器人学习前沿方向有强烈兴趣，能够从问题定义、算法创新一路做到真机验证。
