网易
软件集成开发工程师
软件集成开发工程师
发布于 大约 17 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
Mpc
Ros2
传感器融合
强化学习
路径规划
运动控制
值不值得投
72综合评分
综合评分 72
前沿机器人控制算法岗，技术含量高、成长性强，但工作生活平衡情况未知。
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
35K
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 2690 个在招 · 其中机器人开发 2 个
市场机会
选择适中
杭州 · 机器人开发 · 14 个在招
职位详情
关于这个职位
该职位负责机器人运动控制与导航规划算法的研发与工程落地
工作内容包括机械臂控制、移动机器人路径规划、多传感器融合以及机器学习在控制中的应用
你将参与从算法设计到实车部署的全流程，推动工程机械的智能化
最低要求
基础要求：
机器人学、自动化/控制工程、机械工程、计算机科学、数学等相关专业，工程基础扎实
同时具备机械臂运动控制与移动机器人导航规划的基础知识，理解两类系统在规划与控制上的共性与差异
精通 C/C++，熟练使用 Python，具备良好的代码规范与工程化意识，掌握调试、性能分析与参数标定
熟悉 ROS/ROS2 开发环境，有真实机器人或无人驾驶车辆的实车调试与落地经验
专业能力：
熟练掌握路径规划与运动规划算法（如 RRT、A*、MPC 等），并具备工程实现能力
熟练掌握经典与现代控制理论（PID、LQR、MPC、自适应控制等），具备扎实的运动学、动力学建模基础，有实车调试与控制效果调优经验
熟悉基于学习的规划与控制方法（模仿学习、行为克隆、强化学习等）在连续控制中的应用
工作职责
负责工程机械的路径规划与轨迹生成算法研发与工程化，涵盖全局路径规划、局部避障、动态环境适应及轨迹优化
负责多自由度机械臂的运动学、动力学建模，实现轨迹规划、逆运动学求解、力/位混合控制等算法
负责整车运动控制算法设计与调试，覆盖速度控制、轨迹跟踪、转向控制、作业控制等场景，实现平顺、精准、高效的运动表现
实现并调优主流控制算法（如 PID、LQR、MPC、Pure Pursuit、Stanley 等），完成多环控制系统建模，并结合执行机构特性完成前馈补偿、扰动抑制、非线性补偿等策略落地
参与感知-规划-控制闭环设计，融合激光雷达、视觉、GPS/RTK、IMU 等多传感器数据完成状态估计与决策
将机器学习/强化学习融合到传统控制与规划框架中，构建数据驱动或模型混合的智能策略，搭建仿真-实机闭环验证流程（Sim-to-Real），推动模型从离线训练到实车部署的落地
配合整车团队完成控制系统与感知、规划、液压、电控等模块的联调联试，进行系统级问题排查与闭环优化
跟踪自动驾驶、移动机器人、工程机械智能化等领域的前沿技术，推动创新应用与工程转化
优先资格
加分项：
具备机器学习/深度学习基础，熟悉 PyTorch/TensorFlow，有强化学习 Sim-to-Real、系统辨识与神经网络混合建模、自适应/鲁棒控制与学习融合等经验
具备嵌入式系统部署经验，熟悉 CUDA、OpenCL 等加速技术
有液压/伺服控制系统开发经验，了解非线性建模、延迟补偿、工况漂移标定等工程问题
有工程机械、矿山/港口设备、商用车或自动驾驶车辆的项目经验
对具身智能（Embodied AI）有理解，具备较强的现场动手能力、问题定位能力与跨团队协作沟通能力
AI 洞察
优缺点分析
优点
- 技术含量高，工作内容直接涉及机器人运动的核心算法，是前沿技术与工程实践的深度结合
- 网易伏羲实验室在AI与机器人领域有深入布局，能接触到行业前沿的研究与大型工程化项目
- 工程化要求高，不仅需要算法设计能力，还需要解决延迟、漂移、非线性等复杂的实际工程问题，调试周期长
- 项目涉及感知、规划、控制、液压等多模块联调，对系统思维和跨团队协作能力要求极高
- 技术栈更新快，需要持续跟踪自动驾驶、具身智能等领域的最新进展并快速学习应用
- 适合对机器人控制理论有浓厚兴趣、具备扎实工程实现能力、不惧现场调试复杂度、并希望将算法在真实物理世界中验证和应用的工程师
缺点 / 挑战
- 岗位要求明确且具有挑战性，有利于快速提升在运动规划、控制与机器学习融合方面的硬核技能
角色解读
- 技术专家路线：深耕机器人控制与决策领域，成为算法架构师或首席工程师，主导核心模块的技术攻关
- 技术管理路线：在积累项目经验后，转向技术团队管理，负责机器人产品的整体技术方案与团队协调
- 跨领域拓展：将机器人控制技能拓展至自动驾驶、具身智能、智能制造等更广阔的应用场景
- 设计并实现机器人（移动机器人与机械臂）的运动控制与路径规划算法
- 将算法与传感器感知融合，并在真实设备上进行调试与优化，完成从仿真到实机的部署
- 参与跨模块的系统联调，解决复杂的工程问题，推动智能化技术的实际应用
- 扎实的控制理论基础与算法实现能力，精通C/C++和Python编程
- 熟悉ROS/ROS2机器人操作系统，拥有将算法应用于真实机器人或车辆的落地经验
- 具备将机器学习/强化学习与传统控制方法结合的前沿探索与工程化能力
申请策略
- 仔细研究网易伏羲机器人近期的研究成果或产品动态，在面试中体现你对公司技术方向的关注
- 准备一个完整的项目案例，能够清晰地阐述从算法选型、仿真验证、实车部署到问题优化的全过程
- 重点突出与运动控制、路径规划相关的项目经历，特别是涉及实车/实机调试、Sim-to-Real的落地案例
- 详细描述使用C++/Python/ROS2开发的具体功能模块和解决的工程问题，量化性能提升（如精度、速度）
- 如果具备，清晰列出掌握的控制算法（如MPC）、机器学习框架（如PyTorch）以及嵌入式部署经验
- 强调处理多传感器数据融合、复杂系统联调与问题排查的经历，体现系统级工程能力
- 复习并深入理解经典与现代控制理论（如MPC、LQR）的原理与工程应用场景
- 学习并实践强化学习（特别是Sim-to-Real）在连续控制任务中的应用，搭建仿真环境（如Isaac Gym）
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化描述你的项目经历，重点突出你的技术决策和解决工程问题的过程
- 对于算法类问题，先阐述核心原理和假设，再结合实际应用场景说明其优势、局限性以及你的工程化实现细节
- 面对系统设计问题，展示你的系统性思维：从需求分析、模块划分、技术选型到验证测试的完整思路
- 请描述一个你负责的运动控制/路径规划项目，遇到的最大技术挑战是什么？如何解决的？
- 在Sim-to-Real的过程中，你遇到了哪些问题（如仿真与实机的差异）？你是如何弥合这些差距的？
- 如何设计一个感知-规划-控制的闭环系统来处理动态障碍物？
- MPC和PID在运动控制中各有什么优缺点？在你的项目中是如何选择的？
- 如果让你负责一个新的工程机械运动控制模块，你会如何设计技术方案？
职位点评
薪资福利65
成长发展85
工作生活60
使命价值80
薪资福利
65中等
岗位薪资具有市场竞争力，但JD未披露具体薪资范围和福利体系，满足程度受限于信息不透明。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
85较高
该职位技术栈前沿，涉及运动控制、机器人学与机器学习的交叉领域，且强调工程落地与系统闭环，能提供深度的技术积累与清晰的成长路径。
技术前沿前沿/新兴技术
技术栈C++、Python、ROS2、MPC、强化学习、Sim-to-Real、传感器融合
成长机会工程化、落地经验、系统级问题排查与闭环优化、推动创新应用与工程转化
业务类型ambiguous
工作生活
60中等
JD未提及任何关于工作时间、办公模式或WLB的信息，工作地点明确为杭州现场办公，生活化动机满足程度难以评估。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
岗位致力于工程机械智能化与机器人技术的落地应用，属于行业增长较快的赛道，具有明确的工程价值与社会应用前景。
行业发展高速增长赛道
社会影响中性/一般
使命信号推动创新应用与工程转化、实现平顺、精准、高效的运动表现
创新程度积极采用新技术
Watch Jobs