强化学习算法工程师-运控方向

-设计并实现用于机器人运动控制和精细抓取执行的强化学习策略，满足应用场景对执行效率、拟人性、成功率等性能需求； -基于Isaac Lab等仿真平台，搭建高保真、可并行的机器人训练环境，并设计高效的强化学习流程，加速策略收敛。 -主导策略从仿真到真实机器人的迁移工作。负责设计和实施域随机化（Domain Randomization）方案，提升策略的泛化能力。。 -将强化学习技术应用于更复杂的任务场景，包括但不限于双臂协作搬运、装箱打包（折叠、封箱）以及移动底盘与机械臂的全身协调控制。 -探索模仿学习（Imitation Learning）、层次化强化学习（Hierarchical RL）等技术与现有方案的结合，持续提升系统性能与智能化水平

-计算机科学、机器人、自动化或相关专业硕士及以上学历。 -3年以上机器人或强化学习相关领域的研发经验，有完整的强化学习项目落地经验者优先。 -精通强化学习核心算法（如PPO, SAC等），对MDP建模、奖励函数设计、探索策略有深刻理解。 -熟练掌握至少一种主流机器人仿真器（如NVIDIA Isaac Lab/Sim, MuJoCo, PyBullet等），具备搭建复杂机器人仿真环境的能力。 -精通Python，熟悉PyTorch等主流深度学习框架，具备良好的代码工程能力。 -熟悉机器人运动学、动力学及控制理论； 具备出色的分析和解决问题的能力，对技术有热情，有良好的沟通能力和团队协作精神。 加分项： -在顶级会议（如CoRL, ICRA, IROS, RSS, NeurIPS等）发表过强化学习或机器人相关论文。 -有模仿学习（Imitation Learning）、元学习（Meta-Learning）或离线强化学习（Offline RL）的研究或实践经验。 -熟悉接触-rich 操作（Contact-rich Manipulation）和力控相关算法。 -有双臂协作机器人或移动操作（Mobile Manipulation）项目经验