The posting
1.研发面向机械臂操作、臂—腰—底盘协同及人形机器人的全身运动与操作任务的物理仿真和强化学习算法,搭建可扩展的任务环境、策略训练和自动化评测流程。 2.围绕不同本体构型设计并训练控制与操作策略,开展奖励设计、课程学习、并行训练与鲁棒性优化,评估不同构型下的任务能力与学习效率。 3.研究本体与策略的协同优化方法,对机械臂自由度与连杆尺寸、腰部自由度与运动范围、底盘几何与运动学配置,以及身体各部分的驱动能力、质量分布、重心和本体传感器布局等关键参数进行参数化建模、搜索与敏感性分析,识别限制任务表现的设计因素。 4.建立任务驱动的构型评估体系,在可比的训练预算与评测条件下,分析任务成功率、全身可达性、负载能力、运动与平衡稳定性、能耗和鲁棒性等指标,区分策略训练不足与本体能力瓶颈。 5.与公司本体团队共同定义设计变量和工程约束,将仿真与算法结果转化为机械设计需求、参数建议及方案取舍依据,指导本体构型迭代,并与本体团队共同验证优化效果。 6.与本体、控制、感知、操作算法和数据团队协作,沉淀可复用的仿真资产、训练工具链、评测基准及实验规范,形成“任务需求—仿真训练—设计建议—真机验证”的迭代闭环。
1.博士学历,机器人、人工智能、计算机、控制、自动化、机械工程或相关专业,具备扎实的算法研究与实验能力。 2.熟悉 MuJoCo、Isaac Lab / Isaac Sim 等至少一种机器人仿真平台,具备独立搭建本体构型评估与策略训练仿真环境的能力,能够完成机器人模型导入与参数化、关节/驱动/接触建模、任务与场景配置、训练评测接口开发及仿真参数校准。 3.具备机器人强化学习研究与实践经验,熟悉策略优化、奖励设计、训练稳定性及泛化评估,能够独立完成从任务环境搭建到策略训练与评测的完整流程。 4.理解机械臂、腰部、移动底盘及人形身体构型相关的机械设计原理和工程约束,包括机构构型、自由度、尺寸、驱动与传动、负载、刚度、运动范围、质量分布与稳定性等;能够与本体团队讨论设计取舍,并将机械参数与约束转化为可计算、可评估的模型。 5.具备参数优化、实验设计与结果分析能力,能够在复杂设计空间中开展方案比较、敏感性分析和优化,并用可复现的实验支持工程决策。 6.熟悉 Python、PyTorch / JAX 等算法开发工具,具备较强的工程实现能力,能够搭建并行训练、自动化评测与实验数据分析流程。 7.具备跨学科沟通与独立研究能力,能够围绕真实任务,与本体团队共同定义问题、验证假设,并清晰说明算法结论的适用边界。
加分项 1.有本体与策略协同优化(embodiment-policy co-design)、形态优化、黑箱优化或多目标优化相关研究经验。 2.有机械臂、臂—腰—底盘协同、移动操作或人形机器人全身控制的强化学习及 sim-to-real 经验。 3.有系统辨识、域随机化、接触参数标定或真实机器人部署与实验验证经验。 有与机械或本体团队协作、通过仿真和算法评估推动硬件设计迭代的经历。 4.在 CoRL、RSS、ICRA、IROS、NeurIPS、ICML、ICLR、T-RO、RA-L 等相关会议或期刊发表过高质量论文,或有高质量开源项目。 5.有大规模并行仿真、分布式强化学习或自动化实验平台建设经验。 6.有使用 GPT 等前沿大模型及 AI 编程工具辅助设计的实践经验,能够将其用于设计方案探索、参数化建模、仿真脚本开发和实验结果分析,加速设计优化与迭代,并通过仿真或实验验证生成结果。



