职位描述【职位描述】 我们正在探索下一代具身机器人的全身运动与交互智能，让机器人不仅能够稳定行走和运动，更能够在真实环境中完成操作、人机协作和复杂接触任务。 你将参与构建以 Reinforcement Learning 为核心的全身控制系统，探索 System 0 / System 1 分层控制、Sensorimotor Intelligence、Sim-to-Real及持续学习等方向，打通从运动数据、策略训练、仿真验证到真机部署的完整闭环。 这是一个算法创新与真实机器人落地并重的岗位，你将直接面对动态扰动、复杂接触、硬件差异等真实机器人问题，推动机器人从“能运动”走向“能够稳定、灵活、安全地与世界交互”。 【核心职责】 1. 全身强化学习与策略研发 负责双足/人形机器人全身控制策略研发，协调双腿、躯干、双臂及末端执行器。 探索Imitation Learning、Offline/Online RL、Residual RL、Policy Distillation等方法，提升运动控制的稳定性、泛化性与适应能力。 构建支持行走、操作、人机协作、异常恢复等任务的通用控制策略。 2. System 0/1 与Sensorimotor 构建低频任务/技能策略与高频控制策略协同的分层架构。 融合视觉、本体、力/触觉等多模态信息，建立感知—决策—动作—反馈闭环。 研究力控、阻抗控制、接触模式切换及复杂人机交互。 3. Sim-to-Real与Robot Learning 建设高保真机器人仿真、系统辨识及Sim-to-Real能力。 研究Domain/Dynamics Randomization、Residual Policy、Teacher-Student等方法。 建立真机数据采集、失败挖掘、策略训练与持续迭代闭环。 4. 真机部署与系统优化 推动策略在真实机器人上的实时部署和整机联调。 解决延迟、抖动、通信、执行器差异及策略切换等真实工程问题。 建立覆盖仿真、半实物和真机的策略评测与安全验证体系。任职要求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、控制、机械等相关专业优先。 2. 扎实掌握强化学习、机器人学、控制理论或机器学习中的一个或多个方向。 3. 熟悉Python / C++ / PyTorch，有较强算法实现能力。 4. 有真实机器人或机器人仿真项目经验，能够完成从算法研究→训练→真机验证的闭环。 加分项： 1. 有人形/双足机器人、机械臂、灵巧手、全身控制或复杂接触任务经验。 2. 有机器人RL、Sim-to-Real、大规模并行仿真经验。 3. 有CoRL、RSS、ICRA、IROS、NeurIPS、ICML等相关论文或开源项目。 4. 对 Robot Foundation Model、VLA、World Model、Sensorimotor Intelligence 等方向有深入理解。
