2027应届生-多模态 VLA 算法工程师

前沿模型研发与落地： 负责基于端到端学习的具身智能大模型（VLA / VA / WA）的算法设计、训练与调优，推动多模态大模型在多轴机械臂复杂操作任务中的落地。

强化学习策略开发： 运用深度强化学习（DRL）与模仿学习（IL）算法，解决机械臂在非结构化环境下的灵巧操作、动态抓取、柔性装配等核心难题。

仿真构建与 Sim2Real： 搭建并维护高保真的物理仿真环境（如 Isaac Sim, MuJoCo），设计合理的 Reward 机制与 Domain Randomization 策略，主导算法从仿真环境到真实机械臂的零样本/少样本迁移（Sim-to-Real）。

数据流水线与飞轮建设： 协助搭建高效的机器人遥操作数据采集平台，设计高质量的数据处理和清洗 Pipeline，闭环提升动作生成模型的泛化能力。

系统集成与部署： 将算法模型部署于边缘计算平台，优化模型推理效率，保障机械臂动作的实时性与安全性。

教育背景： 计算机、机器人、自动化、人工智能等相关专业硕士及以上学历。

具身模型经验： 深入理解并有实战经验于 VA/VLA/WA 架构（如熟悉 RT-1/RT-2、OpenVLA、ACT、Diffusion Policy、World Models 等主流端到端操作模型）。

强化学习功底： 具备扎实的强化学习理论基础，熟练掌握 PPO、SAC、TD3 等主流算法，有处理连续控制空间问题的丰富经验。

代码与工程能力： 熟练掌握 PyTorch / JAX 等深度学习框架，具备优秀的 Python 和 C++ 编程能力；熟悉常用的机器人中间件（如 ROS/ROS2）。

仿真与真机经验： 熟练使用至少一种主流机器人仿真器（Isaac Gym/Sim, MuJoCo, PyBullet, Sapiens 等）；有真实多轴协作机械臂（如 UR, Franka, xArm 等）的调试与 Sim2Real 成功部署经验。

机器人学基础： 了解多轴机械臂的基础运动学（正逆解）、动力学以及轨迹规划算法。 加分项 • 在机器人或AI领域顶级会议（如 CoRL, ICRA, IROS, CVPR, NeurIPS, RSS）以第一作者发表过相关论文。