核⼼职责：（先加微信：duke-simon 拿项目手册，画像精准再做单） 混合控制框架设计与实现： 主导设计MPC-RL/IL 混合控制框架，将基于物理模型的控制（如 MPC）与基于学习的策略（如深 度神经⽹络）进⾏⾼效协同。 专注于利⽤ MPC 处理实时、⾼频、平衡保持等核⼼任务，利⽤学习策略处理步态⽣成、⾼层决策 和环境适应。 ⾼性能传统控制（MPC）： 负责模型预测控制 (MPC) 算法的研发、数值求解器优化和实时部署，确保在双⾜机器⼈系统中的 动态稳定性和能效。 构建和维护⾼精度双⾜机器⼈动⼒学模型（如 LIPM, SRB, 全⾝动⼒学模型），作为 MPC 和学习 算法的基础。 基于学习的控制策略（IL/RL）： 实施和优化模仿学习 (Imitation Learning) 算法，从⼈类或⾼性能控制器数据中学习鲁棒且⾃然 的步态和运动轨迹。 探索和应⽤深度强化学习 (DRL) 算法（如 PPO, SAC 等），⽤于崎岖地形适应、动态抗扰和⾼动 态运动能⼒的策略学习。 ⼯程实现与硬件验证： 在实时控制环境中实现所有算法，并保证代码的可靠性、⾼效性和低延迟。 负责Sim-to-Real 流程的优化，包括域随机化 (Domain Randomization) 和硬件在环 (HIL) 测 试，确保策略成功部署到物理机器⼈上。 职位要求： 控制理论、机器⼈学、计算机科学或相关专业硕⼠及以上学历。 3 年以上机器⼈运动控制或深度学习控制相关研发经验。 精通 C/C++ 编程，具备优秀的 Python/PyTorch/TensorFlow 能⼒，有在实时系统上部署代码的经 验。 模型预测控制 (MPC)： 具备双⾜或⾼动态系统 MPC 算法的设计、优化和实际⼯程部署经验，熟悉 QP/NLP 求解器。 强化学习 (RL)： 深⼊理解深度强化学习原理，熟悉主流 DRL 算法，并有应⽤于连续控制或机器⼈运动 的经验。 模仿学习 (IL)： 具备模仿学习/⾏为克隆的经验，能够处理并利⽤⼤规模运动数据。 双⾜机器⼈/⾼动态系统： 熟悉双⾜运动学/动⼒学建模，以及平衡控制、步态规划等核⼼挑战。

核⼼职责： 混合控制框架设计与实现： 主导设计MPC-RL/IL 混合控制框架，将基于物理模型的控制（如 MPC）与基于学习的策略（如深 度神经⽹络）进⾏⾼效协同。 专注于利⽤ MPC 处理实时、⾼频、平衡保持等核⼼任务，利⽤学习策略处理步态⽣成、⾼层决策 和环境适应。 ⾼性能传统控制（MPC）： 负责模型预测控制 (MPC) 算法的研发、数值求解器优化和实时部署，确保在双⾜机器⼈系统中的 动态稳定性和能效。 构建和维护⾼精度双⾜机器⼈动⼒学模型（如 LIPM, SRB, 全⾝动⼒学模型），作为 MPC 和学习 算法的基础。 基于学习的控制策略（IL/RL）： 实施和优化模仿学习 (Imitation Learning) 算法，从⼈类或⾼性能控制器数据中学习鲁棒且⾃然 的步态和运动轨迹。 探索和应⽤深度强化学习 (DRL) 算法（如 PPO, SAC 等），⽤于崎岖地形适应、动态抗扰和⾼动 态运动能⼒的策略学习。 ⼯程实现与硬件验证： 在实时控制环境中实现所有算法，并保证代码的可靠性、⾼效性和低延迟。 负责Sim-to-Real 流程的优化，包括域随机化 (Domain Randomization) 和硬件在环 (HIL) 测 试，确保策略成功部署到物理机器⼈上。 职位要求： 控制理论、机器⼈学、计算机科学或相关专业硕⼠及以上学历。 3 年以上机器⼈运动控制或深度学习控制相关研发经验。 精通 C/C++ 编程，具备优秀的 Python/PyTorch/TensorFlow 能⼒，有在实时系统上部署代码的经 验。 模型预测控制 (MPC)： 具备双⾜或⾼动态系统 MPC 算法的设计、优化和实际⼯程部署经验，熟悉 QP/NLP 求解器。 强化学习 (RL)： 深⼊理解深度强化学习原理，熟悉主流 DRL 算法，并有应⽤于连续控制或机器⼈运动 的经验。 模仿学习 (IL)： 具备模仿学习/⾏为克隆的经验，能够处理并利⽤⼤规模运动数据。 双⾜机器⼈/⾼动态系统： 熟悉双⾜运动学/动⼒学建模，以及平衡控制、步态规划等核⼼挑战。