地平线
【地瓜机器人】具身智能算法工程师
【地瓜机器人】具身智能算法工程师
发布于 大约 15 小时前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Mpc
Pytorch
Vla
Wbc
具身智能
强化学习
机器人学
模仿学习
值不值得投
77综合评分
综合评分 77
前沿技术、高成长性，但工作强度大，适合技术驱动型人才。
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
45K
比具身智能中位数高
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 440 个在招 · 其中具身智能 13 个
市场机会
选择适中
北京 · 具身智能 · 44 个在招
职位详情
关于这个职位
该职位负责构建面向人形与移动操作本体的下一代 loco-manipulation 系统，探索全身运动控制、强化学习与模仿学习的统一架构
你将参与从数据采集、策略训练到真机部署的完整链路，推动机器人在复杂环境中实现平衡、操作与长程任务的协同
适合对机器人学、强化学习与具身智能有深入理解并追求技术突破的工程师
最低要求
硕士及以上学历，计算机、人工智能、自动化、机器人等相关专业
深入理解运动控制 / 强化学习 / 模仿学习 / 操作策略中至少一类，熟悉全身 WBC / MPC、legged locomotion、manipulation policy（VLA 、WAM、ACT、Diffusion Policy等）的主流方法与开源实现
精通 PyTorch，具备从算法到可训练、可上真机代码的完整落地经验，能独立完成策略改动、消融与问题定位
熟悉机器人运动学 / 动力学、接触与平衡约束，具备仿真（Isaac / MuJoCo 等）到真机的调参与问题排查能力
具备良好工程素养（Python / C++），代码可读、可维护、可复现
有 Linux 环境下的实时控制、日志与协作开发经验
工作职责
Loco-manipulation 架构设计：探索全身运动控制、强化学习 / 模仿学习、Diffusion Policy / Flow Matching、VLA/VA/WAM 在移动操作中的统一，突破模块拼接，向统一的全身 loco-manipulation 策略演进
全身运控与策略闭环：设计可训练、可部署的全身控制与操作接口，包括状态估计、全身 MPC / WBC / RL 策略、操作原语与末端力控，对长时程、稀疏奖励、多地形与多任务迁移给出可复现的训练与真机方案
人形数据采集体系建设：构建覆盖遥操作、动作重定向、仿真增广与真机失败回放的 loco-manipulation 数据闭环，包括全身动作采集链路、时序对齐、接触与力标注、轨迹切片与质量控制
评测与数据飞轮：深度参与仿真与真机评测，建立高效反馈，用数据驱动运控与采集系统的下一轮优先级
训练到部署的软硬协同：面向真实机器人完成策略蒸馏、量化、控制频率与通信调度优化，与嵌入式 / 运控团队协作，把实验室能力落成可稳定演示、可迭代量产的 loco-manipulation 能力
优先资格
有 loco-manipulation、双臂协作或端到端全身策略的项目 / 准量产经验
有人形机器人全身运控开发经验（WBC / MPC / RL locomotion、全身协调、真机保护与落地）
有人形 / 全身数据采集链路的开发经验（遥操作、动捕重定向、外骨骼 / VR、数据对齐与质检流水线）
熟悉模型压缩、蒸馏、量化及真机高频控制部署
在 CV / ML / Robotics 顶会或期刊发表过论文
有无人车、无人机、四足 / 双臂 / 人形机器人竞赛或开源项目经验
同时具备「能做全身运控」与「能把采集闭环做成系统」的复合背景者优先
AI 洞察
优缺点分析
优点
- 公司已上市，平台稳定，资源充足，能接触到从算法到产品的完整链路
- 团队专注于下一代机器人技术，有机会参与行业标准的制定
- 技术难度高，需要同时掌握运动控制、强化学习、系统设计等多领域知识
- 工作强度较大，可能需要频繁进行真机调试与实验，对耐心和抗压能力要求高
- 行业尚在早期，技术路线可能快速迭代，需要持续学习
- 适合对机器人技术有强烈热情，具备扎实的算法与工程基础，并希望在具身智能领域深耕的工程师
缺点 / 挑战
- 处于具身智能这一前沿赛道，技术挑战大，成长空间广阔
角色解读
- 从算法工程师向具身智能专家发展，深入掌握全身控制与操作的核心技术
- 可晋升为技术负责人或团队负责人，主导 loco-manipulation 系统的架构设计与落地
- 有机会参与行业前沿研究，发表顶会论文，成为领域内的技术领军人物
- 设计并实现人形机器人的全身运动控制与操作策略，探索强化学习、模仿学习等方法的统一架构
- 构建数据采集与处理闭环，包括遥操作、动作重定向、仿真增广等，为训练提供高质量数据
- 参与仿真与真机评测，分析平衡稳定性、操作成功率等指标，并推动数据飞轮迭代
- 负责策略的部署优化，包括模型压缩、量化与实时控制调度，确保在真机上的稳定运行
- 扎实的机器人学基础，熟悉运动学、动力学、接触与平衡约束
- 精通强化学习、模仿学习或操作策略，熟悉 WBC、MPC、VLA、Diffusion Policy 等主流方法
- 熟练使用 PyTorch，具备从算法到真机部署的完整工程能力
- 具备仿真到真机的调参经验，熟悉 Isaac、MuJoCo 等仿真工具，并掌握 Python/C++
申请策略
- 在申请时，可以强调对具身智能领域的热情和对公司技术路线的认同
- 准备一个能体现你综合能力的项目案例，展示从算法到真机的完整流程
- 突出在运动控制、强化学习或模仿学习方面的项目经验，尤其是与机器人相关的实际落地案例
- 强调使用 PyTorch 进行算法开发与部署的经验，以及仿真到真机的迁移能力
- 展示在数据采集、处理或系统构建方面的能力，体现复合背景
- 如有顶会论文或开源项目，务必突出，以体现技术深度
- 补充学习 WBC、MPC 等全身控制方法，并熟悉相关开源库
- 深入理解 Diffusion Policy、VLA 等最新操作策略，并尝试复现
面试指南
- 采用 STAR 法则，清晰描述项目背景、任务、行动与结果，突出技术难点与解决方案
- 强调系统思维，从数据、训练、部署等角度全面分析问题，并给出可落地的方案
- 结合实际经验，展示对仿真到真机迁移的深刻理解，并提及具体的调参技巧
- 请介绍一个你负责的机器人控制或操作项目，重点说明技术方案和遇到的问题
- 如何设计一个全身运动控制策略，使其在行走时保持平衡并完成操作？
- 在仿真到真机迁移时，你如何处理仿真与现实的差异？
- 如何构建一个高效的数据采集闭环，以支持策略训练？
- 你如何评估一个 loco-manipulation 策略的性能？
职位点评
薪资福利75
成长发展95
工作生活50
使命价值85
薪资福利
75中等
该职位薪资水平较高，公司为上市公司，稳定性较好，但 JD 未明确提及具体福利。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
95较高
该职位处于具身智能前沿领域，技术挑战大，能快速积累经验，成长空间广阔。
技术前沿前沿/新兴技术
技术栈Loco-manipulation、强化学习、模仿学习、Diffusion Policy、VLA、WBC、MPC、PyTorch、Isaac、MuJoCo
业务类型profit_center
工作生活
50较低
该职位为现场办公，未提及弹性工作或远程选项，工作强度可能较高。
工作模式仅现场办公
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
85较高
该职位致力于推动机器人技术发展，具有较高的社会价值，行业前景广阔。
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