机器人运控算法开发岗

负责自研及第三方机器人平台的运动学与动力学仿真环境构建，支撑高保真虚拟测试验证；

应用数据驱动方法（包括但不限于模仿学习、强化学习等），在仿真环境中训练可迁移至真机的鲁棒控制策略；

设计、实现并优化基于强化学习和模仿学习的机器人运动控制算法，重点实现人类动作风格的精准模拟与迁移。基于仿真系统开展机器人性能边界分析，为硬件选型与本体设计提供数据驱动的正向输入，涵盖基于矩频曲线的电机特性建模与优化等维度；

规模化动作轨迹适配与鲁棒性优化：具备将动作轨迹的重定向与追踪能力扩展到大规模、多类别动作序列的实践经验，确保系统在复杂运动场景下仍保持高扩展性、强鲁棒性与长期运行稳定性。

针对机器人任务需求，设计并优化神经网络架构与训练超参数，提升算法收敛速度与策略性能；

持续优化训练与推理框架的计算效率，提升Sim2Real迭代效能。

计算机科学、机器人学、电子工程、人工智能或相关领域本科及以上学历，丰富机器人运控算法开发经验；

对强化学习的理论基础有深刻理解，并具备计算机图形学（如渲染、几何处理、物理引擎原理）的扎实背景;

熟悉机器人仿真，拥有至少两种主流机器人仿真平台（如NVIDIA Isaac Sim, Mujoco, PyBullet, Drake, Gazebo）的深度使用和二次开发经验;

Robotics系统：熟悉机器人软硬件体系，部署神经网络模型经验，熟悉ROS和物理仿真，Sim2Sim，Sim2Real;

机器人动作重定向与关节映射：熟练掌握机器人全身动作重定向工具集（如GMR等）及关节映射方案，能够将多源动作数据集高效、准确地适配到自研机器人构型上，确保运动学的自然性与物理可行性。

运动模仿与仿真训练架构开发：深入理解并实践基于DeepMimic/BeyondMimic等架构的机器人运动模仿算法，能够实现机器人对重定向后轨迹的精确追踪，并通过强化学习训练出具备良好Sim2Real泛化能力的控制策略，显著缩小仿真与现实间的性能差距，提升真机部署成功率。

在顶级会议（如CoRL, RSS, ICRA, IROS, NeurIPS, ICML, SIGGRAPH）上有相关领域出版物者优先。 符合京东价值观：客户为先、创新、拼搏、担当、感恩、诚信。