智元机器人
运控算法工程师
运控算法工程师
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
Pytorch
力控算法
动力学建模
强化学习
机器人学
运动规划
值不值得投
76综合评分
综合评分 76
处于具身智能风口的前沿算法岗，技术成长空间极大，但真机调试压力与强度较高。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
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 1520 个在招 · 其中机器人开发 77 个
市场机会
选择面较广
上海 · 机器人开发 · 99 个在招
职位详情
关于这个职位
该职位主要负责多关节机器人的运动学/动力学建模及力控算法开发，结合强化学习等前沿技术实现机器人的柔顺交互与运动规划
你需要参与从算法设计、仿真训练到真机调试的全流程，推动机器人产品的实际场景落地
最低要求
硕士及以上学历，控制工程与控制理论、机械电子、计算机、自动化等相关专业
掌握机电系统闭环控制方法，熟悉模仿学习、强化学习算法，能够使用常见的仿真环境完成强化学习训练任务
熟悉机器人学、刚体运动学、刚体动力学
掌握常用的FK/IK方法，熟悉RBDL、Pinocchio等动力学库
熟练使用C++及Python、Isaac Gym、Isaac Lab以及MuJoCo等仿真器，熟练使用Linux系统
熟悉Transformer、GRU/LSTM、CNN等的原理及其适用场景，以及在PyTorch库中的使用
工作职责
负责多关节机器人运动学及动力学建模、辨识、仿真以及相关控制算法开发调试
负责机器人力控相关算法开发与调试，包括且不仅限于干扰观测器、碰撞检测、虚拟墙、零空间优化、导纳/阻抗控制、力位混合控制、全闭环控制等功能开发
负责双臂以及多冗余自由度形态的机器人全身力控算法开发，使机器人具备与环境接触时具备柔顺交互能力，并将传统力控和RL相结合，以获得更好的力控性能，最终实际场景进行应用开发完成产品化落地
机器人的运动规划算法开发：结合多自由度特性与协作任务的特点，设计路径规划、轨迹优化、实时反应式控制与力控等相关算法
负责调研和探索前沿的力控算法，包括全身力控，基于强化学习（RL）的智能力控，触觉反馈与视觉/力觉的跨模态融合力控，Force-VLA等方案
协助测试制定测试用例及测试方案，根据测试反馈结果进行算法验证与优化
根据产品开发计划、功能需求以及实际应用场景完成相关业务程序开发及代码维护，不断对控制系统进行完善
优先资格
了解T-S与MoE架构，对前沿论文有所研究
需要具备一定的真机调试经验，能够快速定位问题
有机器人竞赛（如RoboCup、DARPA挑战赛）经验
AI 洞察
优缺点分析
优点
- 处于具身智能和通用机器人这一极具爆发潜力的前沿赛道，行业前景广阔
- 技术栈非常前沿，结合传统控制与强化学习、大模型（VLA），能积累极高的技术壁垒
- 能够参与从算法到真机落地的完整闭环，对工程能力和产品化思维有极大提升
- 算法从仿真到真机（Sim2Real）的迁移存在巨大鸿沟，调试难度大、周期长
- 需要同时精通传统控制理论、机器人学和深度学习，跨学科知识要求极高，学习曲线陡峭
- 具备扎实控制理论或机器人学基础，对强化学习和具身智能有浓厚兴趣，且具备较强动手调试能力的硕士及以上研发人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向可成长为机器人控制算法专家或首席科学家，主导核心控制架构设计
- 横向可向具身智能大模型（如Force-VLA）方向拓展，或转型为机器人系统架构师/技术总监
- 负责多关节机器人的运动学、动力学建模及力控算法开发，实现机器人与环境的柔顺交互
- 结合强化学习（RL）等前沿AI技术，探索全身力控、跨模态融合力控等智能力控方案
- 参与从算法仿真、真机调试到产品化落地的全流程，优化机器人的运动规划与控制系统
- 扎实的机器人学基础，精通刚体运动学/动力学及常用的FK/IK方法
- 熟练掌握C++/Python及主流仿真器（Isaac Gym、MuJoCo等），具备强化学习算法落地能力
- 熟悉深度学习模型（Transformer、CNN等）及PyTorch框架，有真机调试和问题定位经验
申请策略
- 了解智元机器人的核心产品（如远征系列人形机器人）及其技术路线，面试时结合其产品特点提出自己的见解
- 重点突出在机器人动力学建模、力控算法或运动规划方面的项目经验及实际落地成果
- 详细列出使用Isaac Gym/MuJoCo进行强化学习训练的经历，以及Sim2Real的迁移成果
- 若有RoboCup、DARPA等机器人竞赛获奖经历或顶会论文发表，务必放在显眼位置
- 提前熟悉Isaac Lab或Isaac Gym环境，尝试复现一些经典的机器人RL控制论文
- 复习并巩固现代控制理论（如阻抗控制、导纳控制）及主流深度学习架构（Transformer、MoE）
面试指南
- 针对Sim2Real问题，可从域随机化（Domain Randomization）、系统辨识、引入延迟和噪声等角度回答
- 针对控制算法对比，从物理意义、适用场景（如接触任务vs非接触任务）、稳定性等维度进行结构化对比
- 针对调试问题，遵循“现象分析->硬件排查（传感器/电机）->控制参数整定->算法优化”的逻辑闭环
- 请详细讲解一下你在项目中是如何解决Sim2Real（仿真到现实）迁移问题的？
- 导纳控制和阻抗控制有什么区别？在什么场景下你会选择使用其中一种？
- 如果机器人在真机调试时出现高频抖动，你会如何排查和解决？
- 请介绍一下你使用强化学习训练机器人控制策略的经验，奖励函数是如何设计的？
- 准备好自己过往项目中的核心代码逻辑和架构图，能够手绘或清晰讲述控制系统的整体框架
职位点评
薪资福利80
成长发展95
工作生活40
使命价值85
薪资福利
80较高
具身智能赛道融资活跃，企业为抢夺顶尖算法人才通常会提供具有竞争力的薪资，但具体薪资未披露。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
95较高
岗位涉及强化学习、VLA等最前沿的具身智能技术，技术成长空间极大，处于行业技术爆发期。
技术前沿前沿/新兴技术
技术栈C++、Python、Isaac Gym、MuJoCo、PyTorch、Transformer、RL、Force-VLA
成长机会探索前沿的力控算法、对前沿论文有所研究
业务类型profit_center
工作生活
40较低
JD未提及工作模式和WLB，且机器人真机调试通常需要长时间在实验室跟进，工作强度可能较大。
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
85较高
致力于通用机器人和具身智能的研发，推动机器人走向实际场景应用，具有较高的科技使命感和社会价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号实际场景进行应用开发完成产品化落地
创新程度开拓性创新（行业首创）
Watch Jobs