运动控制算法专家（人形）

核心算法研发 ：主导 人形机器人 全身运动控制算法（如强化学习控制、基于优化的控制、力控/阻抗控制等）的设计与落地，深度攻关双足行走、全身协调控制、动态安全避障等技术难题，推动算法从0到1的工程化落地[1]。

仿真平台建设 ：基于 Isaac Lab / Isaac Gym 构建高保真多地形训练环境（楼梯、斜坡、碎石、障碍物等），设计并维护自动化课程学习体系，持续提升训练效率与覆盖度。

前沿算法落地 ：主导前沿方法（如Transformer、Diffusion Policy等生成式方法）的工程实现与性能优化，跟踪领域顶会最新进展并快速转化。

端到端规划 ：设计实现鲁棒高效的感知-规划-控制端到端方案，规划灵活自然的姿态轨迹，实现动态环境的避障和通过。

Sim-to-Real 迁移 ：独立推进仿真到实物的完整部署流程，系统性分析 sim2real gap，设计域适应方案，保障算法在真机上的鲁棒性与泛化能力。

技术沉淀与团队协作 ：输出高质量技术文档与代码规范，参与核心模块的代码评审。

计算机、自动化、机器人等相关专业硕士及以上学历，3年以上机器人运动控制或强化学习相关工作经验[3]。

深度掌握 Isaac Lab 或 Isaac Gym，具备完整的多地形仿真场景搭建与维护经验。

扎实的强化学习理论基础，熟悉 PPO、SAC 等 on-policy / off-policy 算法，有可落地的完整项目经验。

熟练使用 Python 和 PyTorch，具备良好的代码规范与工程素养，能独立完成从算法设计到部署的全链路工作。

深入理解机器人运动学、动力学原理，对 人形机器人 具备系统性认知，掌握四足、人形全身控制方法QP、LQR、MPC、WBC等[1]。

熟悉主流路径规划算法，包括A*、RRT*、DWA等，并有应用经验。 加分项

有 人形机器人 真机开发经验（如优必选Walker系列、波士顿动力Atlas等平台）

在 ICRA、IROS、RSS、CoRL、TRO、RA-L 等顶会 / 顶刊发表过运动控制相关论文

深度掌握奖励/课程设计、师生蒸馏、模仿学习等进阶技术，并有真机验证经验

参与过 legged_gym、rsl_rl 等主流开源项目，或有个人开源贡献。