职位描述：
1. 先进运动控制策略研发：
- 设计并实现基于强化学习的核心运动控制策略，完成上肢（Manipulation)、下肢 (Locomotion) 及全身运动控制 (Whole body control)等。
- 设计鲁棒可泛化的网络和训练策略（如域随机化、对抗扰动训练、隐空间学习、模仿学习运动先验等），提升策略在真实环境中的泛化能力。
2. Sim2Real ：
- 构建高精度、可扩展的机器人动力学仿真环境，精确模拟多物理效应（摩擦、碰撞、驱动延迟、传感器噪声等）。设计并实现多样化、高复杂度的仿真训练场景和域随机化策略，覆盖目标机器人可能面临的各种工况和挑战。
- 设计并实现在线/离线动力学参数辨识与自适应校准策略，使控制器能适应机器人本体及负载的动态变化，缩小仿真与现实的性能差距。
3. 算法部署与跨领域协同：
- 负责将训练验证后的控制算法高效、稳定地部署到实体机器人硬件平台，进行实机调试、性能评估与优化迭代。
- 与机械、驱动团队协作，解决机电系统协同问题。
职位要求：
1. 机器人学基础：
- 扎实的机器人运动学、动力学建模与分析能力。
- 熟练掌握URDF/SDF建模标准，能独立完成复杂机器人系统的建模。
2. 强化学习与深度学习：
- 深入理解深度强化学习核心算法（PPO, SAC, GRPO等）的原理、实现细节及调优技巧。
- 熟练使用主流DRL框架或具备从底层实现算法的能力。
3. 控制理论背景：
- 掌握现代控制理论基础（如状态空间、李雅普诺夫稳定性、最优控制），精通模型预测控制（MPC） 原理与应用。熟悉全身协调控制、柔顺控制等。
- 具备机械臂或足式机器人运动控制（轨迹跟踪、力控、平衡控制等）的实际项目经验或深入理解。
4. 工程实践能力：
- 优秀的C++和Python编程能力，注重代码质量、性能和可维护性。
5. 加分项：
- 在机械臂或足式机器人（如四足、双足）上成功实现运动控制算法（如步态控制、全身协调控制、柔顺控制）的实际项目经验。
- 主导或深度参与过完整的Sim2Real项目闭环，成功将DRL/融合控制策略部署到实体机器人平台并达到预期性能指标。
- 在机器人领域顶级会议/期刊（如SR/IJRR/RSS/T-RO/RA-L/JFR/ICRA/IROS等）发表过强化学习、运动控制相关研究论文。