机器人控制算法工程师

优缺点分析

角色解读

• 可向机器人算法专家或技术负责人方向发展
• 有机会参与前沿仿生机器人项目，积累高价值经验
• 可横向拓展到SLAM、3D重建等相关领域，拓宽技术栈
• 开发双足/四足仿生机器人的决策规划与控制策略，负责算法从设计到落地
• 实现强化学习模型的训练、移植部署，并在真实机器人上进行调试验证
• 跟踪国内外前沿学术成果，复现相关算法并进行优化改进
• 扎实的强化学习理论基础，熟悉PPO、SAC、DQN等经典算法
• 熟练使用PyTorch或TensorFlow框架，具备C++和Python编程能力
• 熟悉Gazebo、Mujoco、Isaac Gym等仿真环境，了解ROS中间件

申请策略

• 关注大华股份在机器人方向的产品布局，了解其业务场景
• 可提前准备一个强化学习控制机器人的demo视频或项目说明
• 突出强化学习/模仿学习项目经历，尤其是足式机器人相关经验
• 强调仿真环境使用经验（如Isaac Gym、Mujoco）和实际部署案例
• 展示C++/Python编程能力和Linux/ROS开发经验
• 如有学术论文或开源项目也值得重点呈现
• 如果缺乏足式机器人经验，建议先通过仿真环境进行简单运动控制练习
• 补充大模型与分布式深度学习训练相关知识，增加竞争力

面试指南

• 采用STAR法则回答项目经验，突出自己负责的算法模块和创新点
• 对于算法对比问题，从原理、适用场景、实际效果三个层面阐述
• 对于工程落地问题，强调系统思维和数据闭环
• 请介绍一个你用PPO或其他强化学习算法完成的项目，主要难点是什么？
• 如何将仿真中训练的策略迁移到真实机器人上？有哪些处理sim-to-real gap的经验？
• 请比较PPO、SAC、DQN的优缺点，并说明在足式机器人控制中更倾向用哪种算法？
• 你使用过哪些机器人仿真环境？如何设置仿真环境与真实硬件之间的对应关系？
• 在C++和Python混合编程时，如何设计算法模块的接口？