（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） "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。"

"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。 加分项： 有基于模型的强化学习 (MBRL) 的研究或实践经验。 熟悉机器人操作系统 (ROS/ROS 2)，或有嵌入式控制系统开发经验。 熟悉传感器融合、状态估计（如 EKF/UKF） 在机器人运动控制中的应用。 在相关顶级会议（如 ICRA, IROS, CoRL, NeurIPS, ICLR）上发表过论文。"