职位描述【核心任务】 负责基于视觉、触觉与机器人本体感知数据开展操作算法研究和训练实验，评估触觉信息能否提升机器人在精细操作、接触丰富任务中的成功率、鲁棒性与泛化能力，并降低策略对高精度视觉和大量真机数据的依赖。 【具体职责】 1. 开展触觉表征学习、接触状态估计、滑移检测、力控制、抓取稳定性预测及操作策略训练等相关实验。 2. 比较不同传感器配置、数据规模、数据比例和训练方法下的效果，分析成功率、接触稳定性、操作精度、收敛速度和泛化能力。 3. 配合模型与硬件团队整理可用于训练的视觉数据、触觉数据、力/力矩数据、本体感知数据、遥操作数据和真机操作数据。 4. 设计并执行视觉—触觉融合、纯视觉、纯触觉等对照实验，研究不同感知模态和融合方式对机器人操作表现的影响。 5. 维护训练配置、实验日志、模型 checkpoint、评估结果、数据版本和 ablation 表格，保证实验可复现。 6. 协助建立触觉操作 benchmark 和真机评估体系，覆盖抓取、插拔、旋拧、滑动、开合、工具使用等接触丰富任务。 7. 输出阶段性实验报告，分析触觉信息在感知、控制和策略学习中的价值，为传感器选型及算法路线提供依据。任职要求【必须要求】 1. 熟悉 PyTorch 或其他深度学习框架，能够独立运行、调试和评估模型训练代码。 2. 具备机器人学习、模仿学习、强化学习、机器人控制、多模态学习或计算机视觉中的至少一项基础经验。 3. 对机器人触觉感知或接触操作有基本理解，了解力、力矩、接触、摩擦、滑移、形变等基本概念。 4. 能够设计基本的 ablation 实验，理解 baseline、control group、变量控制和指标对比。 5. 能够分析训练及真机实验结果，例如 loss、success rate、force curve、slip rate、contact state、evaluation curve 和 overfitting。 6. 熟悉 Linux、Git、conda/docker 和服务器训练环境，具备基本的代码调试与工程协作能力。 【加分项】 1. 有视觉—触觉融合、触觉表征学习、接触状态估计、滑移检测、抓取稳定性预测或力控制经验。 2. 熟悉 GelSight、DIGIT、TacTip、ReSkin、BioTac、六维力/力矩传感器等触觉或力觉设备。 3. 有 imitation learning、diffusion policy、VLA/VLM、ACT、Diffusion Policy、LeRobot、OpenVLA、Octo 等相关经验。 4. 有阻抗控制、导纳控制、混合位置—力控制、模型预测控制或强化学习控制经验。 5. 有抓取、插孔装配、线缆操作、旋拧、工具使用等接触丰富任务的真机实验经验。 6. 有多模态、多传感器或多数据源混合训练经验，例如 vision + tactile、tactile + force/torque、teleop + autonomous data。 7. 有机器人数据采集系统、传感器标定、时间同步、benchmark 设计或实验报告写作经验。
