人形强化学习与运动控制算法工程师

研发基于深度强化学习的人形机器人全身运动控制算法，实现站立、行走、跑步、跳跃、转向、下蹲及平衡恢复等能力。 设计步态规划、全身协调及实时平衡控制算法，处理单支撑、双支撑、腾空、落地和接触切换等状态。 研发基于人体动作数据的动作跟踪与模仿学习算法，完成人体动作重定向、接触识别和动作技能训练。 构建强化学习训练框架，设计状态、动作、奖励、终止条件及困难片段采样机制，提升复杂动作和多技能训练效果。 研究多技能策略蒸馏及基于Diffusion Policy、Trajectory Diffusion的生成式运动控制，实现动作生成、补全、切换和组合。 研究测试时引导方法，支持目标速度控制、摇杆控制、路径点跟随、指定位置到达及避障等任务。 在MuJoCo、Isaac Gym、Isaac Sim、Isaac Lab等平台进行并行训练、域随机化和Sim-to-Real验证，并完成实机部署。 与状态估计、感知、硬件和嵌入式团队协作，融合编码器、IMU、足底力传感器、相机和激光雷达等数据，优化实时控制系统

学历要求：硕士及以上学历，机器人学、控制工程、计算机、人工智能、自动化等相关专业。 技能要求： 熟悉人形机器人运动学和动力学，掌握FK、IK、雅可比矩阵、质心动力学、接触力及全身动力学建模，熟悉Pinocchio等工具。 熟悉双足机器人步态生成、足端规划、平衡恢复和全身控制，掌握PID、LQR、MPC、WBC、QP或阻抗控制等方法。 熟悉PPO、SAC、DDPG、TD3等强化学习算法，具备奖励设计、课程学习、困难样本采样和大规模并行训练经验。 具备动作模仿、运动跟踪或人体动作重定向经验，了解AMASS、LAFAN1、BVH、SMPL或SMPL-X等数据或模型。 理解扩散模型和条件引导机制，有Diffusion Policy、轨迹扩散、时序模型或多技能策略蒸馏经验者优先。 精通Python和C++，熟悉PyTorch及MuJoCo、Isaac Gym、Isaac Sim或Isaac Lab等仿真平台。 熟悉域随机化、系统辨识、状态估计和Sim-to-Real，具备真实机器人部署与调试能力。 工作经验要求： 具有双足或人形机器人运动控制、步态规划、动作跟踪或强化学习项目经验。 能够完成从算法设计、仿真训练到真实机器人部署的完整研发闭环。 个人素质要求： 具备扎实的数学、优化、控制和强化学习基础。 具有良好的跨团队协作、论文阅读和工程落地能力。 具备较强的动手能力、自我驱动力和机器人实验安全意识。 加分项： 具有人形机器人实机部署经验。 具有跑步、跳跃、舞蹈、跌倒恢复或其他高动态动作研发经验。 具有多技能策略、动作扩散、测试时引导或运动基础模型经验。 在ICRA、IROS、RSS、CoRL、NeurIPS、ICML、ICLR、RA-L、T-RO等会议或期刊发表过相关论文。 熟悉DeepMimic、PHC、OmniH2O、HumanPlus、HOVER、ASAP、GMT、TWIST、BeyondMimic等相关工作