全身运动控制算法工程师（具身智能）

在多种机器人本体上，用强化学习构建全身运动控制能力。在基础 Locomotion 和 Manipulation 之上，能进一步支持 Perceptive-Loco 和 Loco-Manipulation 的性能迭代，并服务于遥操作数据采集与学习策略的实时执行；

负责基于 RL 的全身运动控制，覆盖行走、平衡、抗扰动、复杂地形及移动操作中的全身协调；

在 Isaac Lab 或 MuJoCo 等并行仿真环境中搭建训练流程，设计观测、动作空间、奖励、课程学习和域随机化；

负责 Sim2Sim 和 Sim2Real 迁移部署，处理电机特性、动力学差异、延迟、观测噪声和关节限制，保证真机上的稳定性与实时性；

将强化学习策略与遥操作、上层操作大模型对接，使示范数据和模型输出能够被稳定执行，完成高阶任务；

分析真机失败案例，迭代训练设置与部署方案，持续提升运动稳定性、流畅度以及泛化能力。

机器人、控制、人工智能、计算机等相关专业，硕士及以上学历；

具备扎实的强化学习基础，熟悉 PPO、SAC 等主流算法，能够独立完成奖励设计、训练调参和问题定位；

有 Locomotion 相关的强化学习项目经验，理解感知控制或移动操作中的主要问题；

熟练使用 PyTorch，使用过 Isaac Lab、MuJoCo 中的至少一种，完成过机器人运动策略训练和部署；

了解机器人运动与刚体动力学，能够据此设计动作空间和训练任务；

具备良好的工程能力，能够完成仿真训练、策略部署和实验分析。 加分项

善于使用 AI 工具，具备 AI-Native工作方式；

有移动操作和运动模仿相关强化学习策略的真机部署经验；

有关节特性辨识、电机惯量与阻尼辨识和减速器效应辨识的经验；

有系统辨识、全身控制、模型预测控制等传统方法与强化学习策略联合使用的经验；

熟悉 C++、Linux、ROS/ROS2，熟悉 Triton等至少一种并行编程语言；

在 CoRL、RSS、ICRA、IROS、NeurIPS 等会议上发表过相关论文。