具身智能 WAM（世界模型）算法工程师

1.负责面向机器人操作、移动操作、巡检和人机协作任务的世界模型/WAM 算法研发与工程化落地。

2. 建立机器人环境状态表征，融合图像、视频、深度、点云、语言指令、机器人本体状态、末端位姿、接触/力觉信息和历史动作。

3. 研究并实现动作条件视频预测、潜变量状态预测、占据预测、接触状态预测、物体运动预测、奖励/风险预测等世界模型能力。

4. 构建“观测—状态—动作—未来状态/结果”的训练数据格式和数据闭环，支持离线回放、模型训练、反事实评估与失败归因。

5. 设计基于世界模型的机器人规划与决策方法，包括 model-based RL、MPC、采样规划、轨迹优化、行为树/任务规划融合、候选动作重排序和风险约束。

6. 研究世界模型与 VLM/VLA 的协同机制：利用语言任务目标进行高层规划，使用世界模型预测动作可行性与后果，并驱动低层策略执行。

7. 建设仿真环境和数字孪生场景，完成对象、物理属性、传感器噪声、接触过程、场景扰动和任务流程建模。

8. 使用仿真数据、遥操作数据、示教数据、真实机器人日志及失败案例训练模型，提升模型对环境变化、遮挡、扰动和长时序任务的泛化能力。

9. 负责模型的推理加速、部署、监控和版本迭代，支持机器人端或边缘服务器上的在线预测和低时延决策。

10. 设计世界模型评测体系，包括多步预测误差、状态一致性、动作可行性判断准确率、风险预测准确率、规划成功率、恢复成功率和实机任务成功率。

11. 与机器人控制、感知、导航、仿真、数据平台和应用团队合作，将模型能力转化为可部署的任务决策、异常诊断和策略优化模块

1. 硕士及以上学历，计算机科学、人工智能、自动化、控制、机器人、数学、电子工程或相关专业；优秀应届硕博亦可考虑。

2. 具备 2 年及以上世界模型、强化学习、机器人学习、视频生成、时序预测、自动驾驶预测与规划或相关方向经验。

3.熟练掌握 Python 和 PyTorch，能够独立实现、训练和调试深度学习模型及大规模实验。

4. 深入理解至少一个方向：世界模型、模型预测控制、强化学习、规划、视频生成、扩散模型、时序建模、表示学习或多模态学习。

5.熟悉 Transformer、状态空间模型、VAE、Diffusion Model、RSSM、latent dynamics、tokenization 等技术中的一种或多种。

6. 掌握机器人运动学、动力学、控制、路径规划、状态估计或传感器融合的基础知识，能理解模型预测与物理执行之间的差异。

7. 能够处理长时序任务中的状态漂移、部分可观测性、观测噪声、动作延迟、接触不确定性和分布外场景。

8. 具备良好的实验设计能力，能通过对照实验、消融实验、误差分析和日志回放定位模型问题。

9. 熟悉 Linux、Docker、Git、CUDA、多 GPU 训练及常用实验管理工具，具备较强工程落地能力