一、岗位定位 设计并研发基于深度学习和强化学习的足式（特别是人形）机器人运动控制与感知算法。聚焦于复杂动态环境下的稳定运动、敏捷操作和鲁棒环境交互（如避障、复杂地形行走、抗干扰等）。 二、核心职责 运动控制算法开发与优化： 负责前沿足式机器人运控算法的开发与实机优化，熟练掌握 Model-free RL, Model-based RL, Offline RL 等强化学习算法及其在机器人控制中的应用。 仿真-现实迁移技术（Sim-to-Real）： 构建并维护高保真物理仿真环境（如MuJoCo/Isaac Sim/Isaac Gym），设计并实施高效的 Domain Randomization 和适配策略，解决Sim-to-Real鸿沟问题，确保算法快速落地。 系统集成与部署优化： 负责RL算法在高性能嵌入式平台（如Jetson Orin/NVIDIA Thor）上的实时性优化和部署。与硬件团队紧密协作，设计并实现传感器（视觉/力觉/IMU）-控制器-执行器的低延迟、高鲁棒性闭环反馈控制系统。 机器人动力学建模与优化： 深刻理解并掌握足式机器人运动学、动力学知识，能够准确进行机器人本体建模、状态估计和控制力矩分配，优化算法的物理可实现性。

三、任职要求 硕士及以上学历，人工智能 / 机器人学 / 自动化 / 控制工程等相关专业。具备 1-3 年人形/足式机器人运控算法训练与实机部署一线实操经验者优先。 核心要求： 强化学习与控制理论：精通深度强化学习算法（如PPO、SAC、DQN等）及其在连续控制任务中的应用。具备扎实的运动控制、轨迹优化、状态估计等经典机器人控制理论基础。 **工程实践与部署：**熟练使用 PyTorch ，具备优秀的 Python/C++ 编程和代码优化能力。熟悉 ROS/ROS2 机器人开发框架和Linux系统。具备将强化学习策略部署到实际机器人硬件平台的经验。 仿真与迁移技术：精通物理仿真工具链（如MuJoCo, Isaac Sim, Isaac Gym）进行策略训练和调试。对Sim-to-Real迁移技术有深入理解和实战经验。