（先加微信：duke-simon 拿项目手册，画像精准再做单-岗位比较多请截图咨询） "1. 强化学习算法研发： - 针对双足机器人的平衡与步态、机械臂的复杂抓取与操作任务，开发并改进 DRL 算法（如 PPO, SAC, TD3 等）。 - 设计精细的奖励函数（Reward Function）与课程学习（Curriculum Learning）策略，引导模型收敛。 2. 双足步态训练（Locomotion）： - 负责双足/类人机器人在复杂地形（斜坡、楼梯、碎石路）下的步态鲁棒性训练。 - 探索端到端（End-to-End）控制或“RL + 全身控制（WBC）”的混合方案，提升机器人的抗干扰能力。 3. 灵巧操作开发（Manipulation）： - 负责机械臂及灵巧手的任务规划与操作训练，实现精准抓取、装配及非结构化环境下的物体操纵。 - 研究多模态感知输入（视觉、触觉、力觉）在强化学习策略中的融合应用。 4. 仿真环境搭建与 Sim-to-Real： - 利用高性能物理引擎（如 NVIDIA Isaac Gym/Sim, MuJoCo, PyBullet）搭建超大规模并行训练环境。 - 运用系统辨识（System ID）、域随机化（Domain Randomization）等技术，解决仿真与实物之间的鸿沟问题。 5. 真机部署与性能优化： - 将训练好的策略部署至嵌入式算力平台（如 Jetson Orin），并针对实时性（Real-time）要求进行量化与推理优化。"

"1. 专业背景： 计算机、人工智能、机器人学、控制理论等相关专业硕士或博士学历。 2. RL 核心技能： - 深度理解强化学习理论（MDP, Bellman Equation, Policy Gradient 等）。 - 精通 PyTorch 或 TensorFlow，能够复现顶会论文中的前沿算法。 3. 机器人学基础： - 具备扎实的机器人运动学、动力学基础，熟悉坐标变换、Jacobian 矩阵等。 - 了解传统的机器人控制理论（如 PID, LQR, MPC, WBC）。 4. 仿真工具链： 熟练使用 NVIDIA Isaac Gym/Sim 或 MuJoCo 等物理仿真工具。 5. 编程功底： 精通 Python，具备优秀的 C++ 编写能力，熟悉 Linux 操作系统。 加分项： - 在 CVPR, ICCV, ICRA, IROS, NeurIPS, CoRL 等顶会发表过机器人或 RL 相关论文。 - 有实际的 Sim-to-Real 落地经验，曾将 RL 步态或操作算法部署在真机上。 - 熟悉视觉语言模型（VLM）与机器人控制结合（如 RT-1/RT-2 系列）的研究方向。 - 熟悉分布式训练架构，有使用大规模 GPU 集群进行训练的经验。"