1. 岗位目标
聚焦人形机器人核心运动控制技术突破，基于强化学习、模仿学习等前沿方法，研发高鲁棒性、可落地的运动控制算法，解决从仿真到真机部署的关键技术问题，支撑机器人在复杂场景下的稳定运行与智能交互。
2. 岗位职责
主导 / 参与基于强化学习、模仿学习的人形机器人运动控制算法设计、开发与优化，覆盖步态规划、平衡控制、轨迹跟踪等核心场景；
负责算法的仿真验证（含场景搭建、环境建模、性能测试）与真机部署调试，重点攻克 sim2real 迁移中的动力学差异、噪声干扰等关键问题；
跟踪机器人学习算法领域（强化学习、模仿学习、元学习等）的最新研究成果与技术趋势，结合业务需求进行技术预研与创新应用；
与机械结构、硬件驱动、系统集成等团队协同，优化算法与硬件的适配性，提升机器人运动性能与可靠性；
撰写技术文档、算法说明及专利 / 论文，沉淀技术成果并推动标准化复用。
3. 任职资格
一、基本要求
硕士及以上学历，自动化、控制工程、机器人工程、计算机科学、机械电子等相关专业；
硕士需具备 3 年以上机器人领域相关工作经验，博士需具备 1 年以上相关工作 / 研究经验，拥有扎实的人形机器人、四足机器人或工业机器人运动控制研发背景；
具备强化学习 / 模仿学习在机器人领域的实际落地经验（如步态生成、动态平衡控制等场景）者优先。
二、项目与成果要求
有完整的机器人运动控制算法开发项目经历，需覆盖从仿真建模、算法设计、原型验证到真机部署的全流程；
学术或技术成果突出者加分：在 ICRA、IROS、NeurIPS、RSS 等相关顶会 / 顶刊发表过论文，或拥有机器人运动控制、强化学习相关核心专利。
三、技能要求
精通多自由度机器人的运动学、动力学原理，深入理解机器人控制架构（如 PID、模型预测控制等）与学习算法的融合逻辑；
熟练掌握 C++、Python 编程语言，具备高效的算法实现与工程化开发能力；
精通 ROS（Melodic/Noetic/Humble）开发，熟悉机器人仿真工具（MuJoCo、Gazebo、Isaac Gym）的场景搭建、环境调试与性能评估；
深入掌握主流深度强化学习算法（DQN、DDPG、PPO、SAC 等）的原理与实现，能根据机器人场景需求进行算法改进与优化；
具备较强的问题排查能力，能独立解决仿真与真机部署中的动力学不匹配、噪声干扰、实时性不足等技术问题；
良好的团队协作与沟通能力，能高效配合跨团队项目推进，具备清晰的技术文档撰写能力。