一、岗位职责：
1、使用Legged Gym搭建四足机器人（如Qe6）强化学习训练环境，基于RSL-RL框架（如PPO、SAC）训练运动控制策略。
2、设计和优化奖励函数、动作空间和控制参数，确保机器人输出稳定步态，适配复杂地形（如斜坡、不平地面）和多模态运动（行走、轮式移动）。
3、分析训练日志，调试步态跳跃、速度跟踪偏差等问题，提升步态稳定性和地形适应性。
4、优化四足机器人的URDF模型，确保关节类型、质量、惯性矩阵、碰撞几何和接触模型准确。
5、验证URDF文件在Legged Gym和ROS（RViz）中的兼容性，确保仿真与实机一致性。
6、使用Legged Gym、Isaac Sim或Mujoco搭建高保真仿真环境，配置地形（平面、高度场、三角网格）和传感器（IMU、力传感器），优化仿真参数（如步长、接触力、摩擦系数），支持强化学习训练和步态验证。
7、解决仿真到现实（Sim2Real）的偏差问题，通过Domain Randomization、物理参数校准等方法，调试初始姿态、关节扭矩和控制接口，解决实机站立或行走中的不稳定问题，确保Legged Gym训练的步态可迁移至真实机器人。
二、任职要求：
1、机器人学、控制理论、人工智能、计算机科学或相关领域统招硕士及以上学历（211及以上优先）。
2、熟悉四足机器人运动控制原理，具备步态规划、动力学建模或强化学习相关经验。
3、熟练使用Legged Gym进行四足机器人强化学习训练，熟悉RSL-RL框架（如PPO、SAC）及奖励函数设计。
4、熟悉其他仿真工具（如Isaac Sim、Mujoco、Gazebo），能搭建高保真仿真环境（地形、传感器、物理参数）。
5、熟练优化URDF模型，具备调整关节类型、质量、惯性矩阵、碰撞几何和接触模型的经验。
6、熟练使用Python和C++编程，熟悉ROS、URDF文件开发及硬件控制接口配置。
7、掌握AI框架（PyTorch、TensorFlow），有强化学习模型训练和Sim2Real部署经验。
8、熟悉Sim2Real技术（如Domain Randomization、物理参数校准），能解决仿真与实机偏差问题，有将Legged Gym训练结果迁移至真实机器人的经验。
9、熟悉运动控制算法（如MPC、WBC、PID）及强化学习算法（如PPO、SAC）；了解VLA（Vision-Language-Action）模型或Transformer architecture在机器人控制中的应用。