仙工智能
具身小脑算法实习生
岗位职责
参与具身智能机器人小脑算法研发，探索如何通过学习算法提升双足、四足及人形机器人在真实世界中的运动与交互能力；
参与机器人 Locomotion 策略研发，围绕行走、跑步、转向、上下台阶、复杂地形适应、抗外部扰动等场景进行算法设计、训练与迭代；
参与基于强化学习的机器人运动策略训练，研究 Observation、Action、Reward、Policy Architecture 等设计对机器人运动能力的影响；
在 MuJoCo、Isaac Sim / Isaac Lab 等动力学仿真环境中完成机器人运动策略的训练、评测、可视化与实验迭代，探索不同仿真环境和训练方法对策略泛化能力的影响；
参与 Sim-to-Real 与真实机器人部署，包括策略部署、状态输入处理、控制接口适配、参数调试及运动性能优化；
参与机器人本体状态与传感数据处理，利用 IMU、关节编码器、力传感器等信息构建适用于运动策略的状态表示，并探索本体感知与运动策略的结合；
参与感知、数据、学习算法及硬件团队协作，探索视觉、语言、本体状态与运动策略结合的机器人运动能力；
跟进 Legged Robotics、Humanoid、Reinforcement Learning、Robot Learning 等领域前沿研究，并尝试复现优秀工作，将其应用于真实机器人
任职要求
本科及以上在读，机器人、自动化、控制、机械、计算机、人工智能等相关专业，硕士 / 博士优先；
具备扎实的机器人学、数学或机器学习基础，理解机器人运动、刚体变换、坐标系及基本控制概念；
熟悉以下至少一个方向： - 强化学习 / Deep Reinforcement Learning； - 双足 / 四足 / 人形机器人 Locomotion； - Robot Learning / Imitation Learning； - 状态估计 / 本体感知； - 机器人运动规划与控制； - 深度学习模型训练与优化；
熟悉 Python 或 C++，具备良好的算法实现、实验分析和工程能力；
熟悉 MuJoCo、Isaac Sim、Isaac Lab、Gazebo 等至少一种机器人仿真平台；
了解 PPO、SAC、TD3 等强化学习算法中的至少一种，对 Policy Training、Reward Design、Observation / Action Space 等基本概念有理解；
对机器人运动控制、强化学习和具身智能有浓厚兴趣，具备较强的学习、实验和问题分析能力。
加分项
有双足、四足或人形机器人实机调试和部署经验；
使用过 Unitree、Fourier、Booster、AgileX 等机器人平台；
熟悉 RSL-RL、Legged Gym、Isaac Lab 等机器人强化学习训练框架；
有 Sim-to-Real、Domain Randomization、System Identification 或 Policy Deployment 相关经验；
熟悉 IMU、编码器、关节电机、力传感器等机器人本体传感器与执行器；
有机器人强化学习、Locomotion、Humanoid、Imitation Learning 等方向的论文、竞赛、开源项目或较完整的个人项目经验；
有从仿真训练到真实机器人部署的完整项目经验；
具备较强的实验能力，能够独立定位训练不收敛、策略不稳定、Sim-to-Real Gap 等问题并进行迭代
信息来自企业官方招聘渠道
OfferSeek 对公开岗位信息进行聚合、去重和结构化整理，最终申请以企业官方页面为准。