具身感控一体大模型算法工程师

模型架构研发：负责感控一体模型的架构设计与迭代，探索 VLA / 世界-动作模型 / 分层快慢系统等端到端技术路线，打通从多模态观测（视觉、深度、力觉、本体状态）到全身动作输出的完整链路。

全身移动操作（Whole-body Loco-manipulation）：将环境感知、地形理解、动态可通行性分析、全身运动控制、接触状态切换与末端操作耦合进统一策略，实现移动中操作、操作中保持全身稳定。

大规模训练：主导基于大规模真机数据、仿真数据及互联网异构视频数据的模型预训练与后训练（SFT / RL），推进数据规模与模型能力的Scaling 研究。

Sim-to-Real 与部署：负责模型在仿真环境（Isaac Gym / Mujoco 等）与真实机器人本体上的训练、迁移与部署，优化推理时延与端侧算力约束下的实时性。

评测体系建设：搭建涵盖动态平衡、灵巧操作、长程任务的仿真与实机评测基准，用数据驱动模型迭代。

前沿跟踪与转化：跟踪具身智能领域最新进展（VLA、扩散策略、强化学习、世界模型等），将学术成果转化为可落地的工程方案，并参与高质量论文与专利产出。

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，博士优先；3 年以上机器人学习 / 具身智能相关经验（优秀应届博士可放宽）。

扎实的深度学习功底，精通 PyTorch，有 Transformer / VLM / 扩散模型等大规模模型训练经验。

深入理解以下至少一个方向，并有完整项目经验：VLA / 端到端策略学习：

熟悉 π0、OpenVLA、Diffusion Policy、RT 系列等工作，有真机数据采集与模仿学习训练经验；

机器人运动控制：熟悉 RL-based 全身控制（PPO / SAC 等）、MPC / WBC，有腿足式或人形机器人 locomotion 实机经验；

多模态感知：熟悉 3D 视觉、占用网络、场景理解、视觉-力觉融合等。

熟悉主流仿真平台（Isaac Gym / Mujoco / Genesis 等）及 Sim-to-Real 常见手段（域随机化、系统辨识、real-to-sim-to-real 等）。

具备优秀的工程能力，代码规范，熟悉 ROS / ROS2、CUDA 推理优化（TensorRT / ONNX 等）者加分。

具备较强的问题拆解与跨团队沟通能力，能同时与运控、数据、硬件团队高效协作。