京东
机器人力控与交互算法开发岗
机器人力控与交互算法开发岗
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器人开发
机器人开发
Locomotion
Manipulation
Nvidia Isaac Sim
Ros
Sim2Real
力控算法
强化学习
机器人控制
值不值得投
80综合评分
综合评分 80
前沿具身智能算法岗、技术壁垒高、发展天花板高，但WLB未明确且真机调试压力较大。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4.5万
比机器人开发中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1810 个在招 · 其中机器人开发 2 个
市场机会
选择面较广
北京 · 机器人开发 · 51 个在招
职位详情
关于这个职位
该职位主要负责机器人力控与交互系统的架构设计与算法研发，包括力感知处理、力交互算法（如柔顺行走、力控抓取）以及强化学习策略的部署
你需要将算法部署到真机并进行系统优化，解决移动与操作在力交互层面的耦合问题，提升机器人在复杂任务中的性能
最低要求
学历与经验：计算机科学、机器人学、自动化、人工智能等相关专业本科及以上学历
年以上机器人力反馈与Contact rich交互能力相关研发经验
机器人力控与交互研发能力（重点）：精通应用于机器人移动和操作领域的阻抗/导纳控制、力位混合控制等经典力控方法，并有实际项目落地经验
熟悉六维力传感器、关节力矩传感器的原理、标定与使用
具备人机物理交互（如牵引示教、协作搬运）或环境交互（如推门、插拔、打磨）的实际项目经验，理解交互安全与柔顺性的核心挑战
强化学习与机器人控制：精通深度强化学习算法（如 PPO, SAC, TD3），并有在机器人上，尤其是在足式和机械臂上，成功部署运动或操作策略的经验
具备扎实的机器人学基础，熟练掌握运动学、动力学建模、状态估计（如卡尔曼滤波）及控制理论
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
工作职责
力控与交互系统架构设计：主导设计融合力的多模态闭环控制架构，明确力/力矩传感器与RL控制的接口、数据流与时序要求
设计力触觉信息表征形式作为控制策略输入，实现 Locomotion 与 Manipulation 的力交互统一框架
力感知与处理算法研发：负责力觉设备的选型、标定、降噪与信号处理，确保力反馈精确性与实时性
开发基于力觉的环境识别与交互状态估计算法，如接触检测、地形刚度估计、抓取力感知、人机交互意图识别
力交互算法研发：设计并实现先进的力控算法，应用于足式机器人的柔顺行走、抗冲击，及机械臂的力控抓取、柔顺装配
实现基于RL的力交互策略，训练机器人适应不确定环境力、实现人机协作中的安全交互与技能学习
Loco-Manipulation 力交互能力集成：解决 Locomotion 与 Manipulation 在力交互层面的耦合问题，提升机器人在复杂任务（如移动中开门、搬运易碎物品）中的整体性能
真机部署、系统优化与实验验证：将力控算法与交互策略部署到机器人，进行系统级优化
设计并完成真机实验，分析力控性能对任务成功率、安全性及人机交互体验的影响，持续迭代优化算法
优先资格
在顶级会议（如CoRL, RSS, ICRA, IROS, NeurIPS, ICML, SIGGRAPH等）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
AI 洞察
优缺点分析
优点
- 处于具身智能与机器人技术爆发的核心赛道，技术壁垒高，个人技术价值与行业前景广阔
- 能够接触从仿真到真机部署的全链路研发，积累稀缺的Sim2Real和复杂物理交互落地经验
- 依托大型科技企业的丰富场景与硬件资源，有充足的条件进行系统级优化与真机实验验证
- 移动与操作（Loco-Manipulation）的耦合问题属于行业难题，需要极强的跨领域知识整合与创新能力
- 适合具备扎实机器人学基础、对强化学习与物理交互有浓厚兴趣，且具备较强真机调试与抗压能力的算法工程师
缺点 / 挑战
- 力控与强化学习的Sim2Real迁移存在固有鸿沟，真机调试和系统优化可能面临较高的技术难度与失败率
角色解读
- 纵向可发展为机器人算法专家或首席科学家，深耕具身智能与力控前沿技术
- 横向可转型为机器人系统架构师或技术团队负责人，统筹软硬件协同与多模态交互系统设计
- 设计并实现机器人力控与交互系统架构，融合多模态闭环控制，统一移动与操作的力交互框架
- 研发力感知处理与力交互算法，包括阻抗/导纳控制、力位混合控制，并应用于足式机器人和机械臂
- 将深度强化学习策略部署到真机，解决Sim2Real问题，优化机器人在复杂任务中的力交互性能
- 精通机器人经典力控方法（阻抗/导纳控制、力位混合控制）及深度强化学习算法（PPO, SAC等）
- 熟练掌握机器人运动学、动力学建模、状态估计，以及ROS和主流仿真平台（Isaac Sim, MuJoCo等）
- 具备力觉传感器选型、标定及信号处理能力，有真机部署和Sim2Real实际落地经验
申请策略
- 提前了解京东科技在机器人或具身智能领域的最新业务布局和产品线，在面试中展现对业务场景的理解
- 重点突出在足式机器人或机械臂上的力控算法落地经验，特别是阻抗/导纳控制或力位混合控制的实际项目
- 详细展示深度强化学习算法（PPO/SAC等）在机器人上的部署成果，强调Sim2Real的迁移效果与真机性能指标
- 列出在CoRL、ICRA、RSS等顶级会议上的相关论文，或开源项目、专利，证明在具身智能领域的学术与工程能力
- 深入学习NVIDIA Isaac Sim或MuJoCo等主流仿真平台的二次开发，提升大规模并行训练与Sim2Real迁移能力
- 补充多模态感知（如视觉-力觉融合）与复杂动力学建模知识，以应对Loco-Manipulation的耦合挑战
面试指南
- 采用STAR法则回答项目经验：明确任务背景（如复杂地形行走），阐述技术选型（如基于RL的力控策略），说明遇到的难点（如仿真与真机动力学差异），最后展示量化结果（如成功率提升、力控精度）
- 对于算法对比或原理问题，先阐述核心数学原理与物理意义，再结合具体应用场景分析优劣，最后给出你的工程实践经验
- 请详细描述一个你主导的机器人力控或强化学习真机部署项目，遇到了哪些Sim2Real的鸿沟，是如何解决的？
- 在足式机器人柔顺行走或机械臂力控抓取中，你是如何设计阻抗/导纳控制参数的？如何保证交互安全性？
- 针对Locomotion与Manipulation的耦合问题，你认为在力交互层面最大的挑战是什么？有什么解决思路？
- 请对比PPO和SAC算法在机器人连续控制任务中的优缺点，你在实际项目中是如何选择和调优的？
- 复习机器人学经典教材（如Craig的《机器人学导论》）中的动力学建模与控制理论，确保基础概念无死角
- 准备1-2个自己最得意的真机调试案例，包括失败的经验与排查思路，展现解决复杂工程问题的能力
职位点评
薪资福利85
成长发展95
工作生活50
使命价值80
薪资福利
85较高
岗位属于高壁垒的具身智能算法研发，薪资估算处于市场中上水平，且依托大型科技企业，整体薪酬福利具备较强竞争力。
薪资信号未披露（AI估算：3千–6万/月）
成长发展
95较高
岗位涉及前沿的强化学习、多模态控制与Sim2Real技术，且鼓励顶会发表，技术成长空间与行业前沿接轨，发展性极强。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、SAC、TD3、ROS、NVIDIA Isaac Sim、MuJoCo、Sim2Real、阻抗控制、导纳控制
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与加班情况，但作为核心算法研发岗且涉及真机部署与实验验证，工作强度可能较大，WLB情况无法明确判断。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
具身智能与机器人技术是未来科技的重要方向，推动机器人在复杂环境中的安全交互与技能学习，具有较高的社会价值与行业使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs