职位描述
数据驱动的模型迭代（感知 + 端到端）：
感知：迭代检测、分割、位姿/关键点等感知模型，支撑上料/插接等工序对端子、孔、线束的稳定检测分割与 3D 位姿估计、视频时序一致性。
端到端：基于真机表现与失败案例定义数据需求，应用模仿学习 (IL/BC)、离线/在线强化学习 (RL)、Dagger 等方法，落地 Reference / Correction-Dagger / Online-RL Tuning 的真机迭代闭环。
4D GT 与问题驱动的数据闭环：
建设感知 4D GT（时空真值，3D 空间 + 时序）自动化生产/自动标注能力，覆盖检测、分割、位姿关键点，持续降低对 Offline 人工标注量的依赖。
构建基于场景挖掘、失败案例分析、主动学习的数据自动筛选与黄金数据挖掘机制；闭合「真机问题（Jira/飞书/record/log）→ 数据 → 训练 → 模型」链路，将产线问题数据回灌为训练信号，让数据闭环真正转起来。
评测与效果验证：
设计并执行开环/闭环评测方案（仿真大规模测试 + 实机场景测试），量化感知（检测/分割/位姿精度）与操作任务（抓取、插接等）的成功率、效率与稳定性，并驱动模型持续改进。
定义数据驱动的评测指标体系（如 mAP/IoU、位姿误差、时延、控制误差、成功率），建立模型迭代的算法判据并接入回灌。任职要求
算法核心能力：
扎实的机器学习/深度学习功底，熟练 Python / PyTorch。
在感知（目标检测、实例分割、目标跟踪、位姿/关键点估计、多视角几何/3D 估计）与行为生成（IL/BC、RL、Diffusion）两个方向中，精通至少一项的原理、实现与调优，对另一方向有基本理解。
数据闭环工程能力：
理解数据驱动的模型迭代闭环（数据→标注/GT→训练→评估→回灌），具备大规模多模态数据处理与数据筛选/主动学习实践能力；有 4D GT / 自动标注 / 时空真值生产经验者优先。
能用实验数据证明决策。
机器人学基础与工程能力：
熟悉 Linux 开发环境，具备良好软件工程实践与算法实现能力。
了解机器人多模态数据（Camera/LiDAR/IMU 等）特性；有具身智能 / 机器人操作 / 自动驾驶感知或端到端落地经验、熟悉 mcap/record/ROS 数据格式者优先。
