全身运动控制算法岗（领航者实习）

在一系列机器人本体上，用强化学习建设全身运动控制能力(WBC)，支撑移动、平衡和移动操作，并服务遥操作数据采集与学习策略的实时执行。

1. 01

   负责基于强化学习的全身运动控制，覆盖行走、平衡、抗扰动、复杂地形及移动中的全身协调；

2. 02

   在 Isaac Lab、Isaac Gym 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；

3. 03

   负责策略从仿真到真机的迁移与部署，处理动力学差异、延迟、观测噪声和关节限制，保证真机上的稳定性与实时性；

4. 04

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

5. 05

   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与泛化能力。

1. 01

   机器人、控制、人工智能、计算机等相关专业，硕士及以上学历；

2. 02

   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；

3. 03

   有 locomotion 或全身运动控制相关的强化学习项目经验，理解接触、平衡和动作跟踪中的主要问题；

4. 04

   熟练使用 Python 与 PyTorch，使用过 Isaac Lab、Isaac Gym、MuJoCo 中的至少一种完成过机器人运动策略训练；

5. 05

   了解机器人运动学与刚体动力学，能够据此设计动作空间和训练任务；

6. 06

   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

7. 01

   有强化学习运动策略在真机上的部署经验，熟悉域随机化、系统辨识和 sim-to-real；

8. 02

   有全身动作跟踪、运动模仿或移动操作相关的强化学习经验；

9. 03

   熟悉全身控制、模型预测控制等传统方法，有与强化学习策略联合使用的经验；

10. 04

    熟悉 C++、Linux、ROS/ROS2，有实时控制部署经验；

11. 05

    在 CoRL、RSS、ICRA、IROS、NeurIPS 等发表过相关论文。