优才-机器人Loco-Manipulation算法工程师-Genie业务部

优缺点分析

角色解读

• 在机器人运动与操作领域深耕，成为行走操控算法的专家，主导核心算法研发
• 向技术Leader或高级研究员方向发展，带领团队攻关复杂机器人任务
• 横向扩展到全身控制、移动操作、灵巧手等更前沿领域，提升综合算法能力
• 设计并实现机器人行走与操作协同的强化学习/模仿学习算法，在仿真环境中训练策略
• 搭建Isaac Gym、MuJoCo等仿真平台，开发运动与操控任务，并进行大规模并行训练
• 将训练好的算法部署到真实机器人硬件上，进行调试和性能调优，解决sim-to-real迁移问题
• 持续跟踪领域前沿论文，将最新研究成果（如VBC、AMP等）落地到实际产品中
• 扎实的强化学习、运动控制和动力学理论基础，熟悉PPO、SAC等经典算法
• 熟练使用至少一种物理仿真平台（Isaac Gym、MuJoCo、Gazebo），具备仿真环境搭建和调试能力
• 精通Python或C++，具备良好的工程代码习惯和算法实现能力
• 具备较强的科研能力，能够阅读理解英文文献并快速原型验证

申请策略

• 在申请材料中展示对机器人领域前沿技术的热情，例如最近关注的算法及其潜在应用
• 了解智元机器人的产品方向和技术路线，结合自身经验说明如何为公司带来价值
• 重点突出强化学习/模仿学习相关项目，特别是机器人控制或游戏AI方面的实践经历
• 详细描述使用过的仿真平台（Isaac Gym、MuJoCo等）以及完成的运动/操控任务
• 如有真实机器人部署经验，务必列出平台（四足、双足、机械臂）和具体成果
• 列出发表的顶会论文或开源贡献，展示科研能力和影响力
• 如果缺乏仿真平台经验，建议快速上手Isaac Gym或MuJoCo，跑通一个简单的行走或操控demo
• 加强分布式强化学习框架（如RLlib、SampleFactory）的学习，提升大规模训练效率

面试指南

• 对于算法原理问题，采用'核心思想→关键公式→实现细节→应用场景'的递进结构，重点展示理解深度
• 对于项目经验问题，使用STAR法则：背景-任务-行动-结果，突出你的贡献和学到的经验
• 对于开放设计问题，先分析问题本质，提出多个可行方案并比较优劣，最后给出初步实施步骤
• 请解释PPO算法的原理，并说明在机器人控制中如何设计奖励函数
• 你如何解决仿真策略迁移到真实机器人时的动力学差异问题？请举例说明
• 请介绍一个你做的机器人控制或强化学习项目，具体面临了哪些挑战以及如何解决
• 请谈谈你对VBC（Vector-based Control）或AMP（Adversarial Motion Priors）的理解
• 如果训练一个双足机器人行走策略，你会如何设计观察空间、动作空间和奖励函数？