职位描述
1、灵巧抓取与操作策略：
研发基于强化学习和模仿学习的灵巧手抓取与手掌内操作策略，让手自主学会对不同形状、材质物体的稳定抓取和精细操控。
设计高效的奖励函数与训练范式，探索从仿真环境中大规模并行采样、自动课程学习等加速策略收敛的方法。
2、Sim-to-Real迁移与策略部署：
主导灵巧手操作策略从仿真到真实手指的无缝迁移，解决域差异带来的精度损失。
运用域随机化、系统辨识、在线自适应等技术，确保仿真里训好的策略在真手上同样稳定可靠。
3、物理交互的学习型控制：
探索基于学习的方法处理多指手的力控与柔顺交互，让策略在接触状态、摩擦系数、物体质量等物理参数未知时依然保持鲁棒。
将触觉、力矩等多模态传感信号作为策略输入，实现“感知-决策-控制”的闭环学习。
4、数据闭环与方法论构建：
设计灵巧操作数据的采集方案，利用遥操作、人工示教等方式构建高质量专家数据集。
探索离线强化学习、从人类视频中学习等前沿方法，提升数据利用效率，降低对昂贵真机数据的依赖。任职要求
1、核心基础：硕士及以上学历，机器人、计算机、人工智能、自动化等相关专业。
2、前沿学习算法能力：在深度强化学习、模仿学习等方向有扎实的研究或工程落地经验，熟悉PPO、SAC、Diffusion Policy、ACT等主流算法，有机器人操作任务的实际应用经验者优先。
3、仿真与迁移能力：熟练使用至少一种物理仿真引擎，有从仿真到真机的策略迁移成功案例，深刻理解Sim-to-Real Gap的成因与主流解决方案。
4、控制与建模基础：理解机器人运动学、动力学与力控的基本原理，能将传统控制理论的思想融入学习型算法的设计。
5、工程素养：精通Python，熟悉C++，熟练使用PyTorch等深度学习框架。
6、学术与前沿视野：对灵巧操作、机器人学习等领域的顶尖进展有持续跟踪，在机器人顶会或顶刊有相关论文发表者优先。
7、热忱与韧性：对具身智能与灵巧操作有浓厚兴趣，愿意挑战从0到1解决最复杂的物理交互问题。
加分项
1、有触觉传感器（如GelSight）在多模态学习策略中的应用经验。
2、有从人类视频中学习操作策略、或利用大模型进行任务规划与技能学习的前沿探索经验。
3、有离线强化学习在机器人操作中的实际应用经验。
