智元机器人
运功控制算法工程师-HK
运功控制算法工程师-HK
发布于 大约 7 小时前普通员工/个人贡献者
AI 估算 · 25k–50k · AI 参考估算
中国香港
中级经验
本科
全职员工仅现场办公算法优化工程师
算法优化工程师
人形机器人
深度强化学习
算法工程化
运动控制
值不值得投
78综合评分
综合评分 78
前沿人形机器人运控岗，技术挑战性强，发展性突出但WLB信息不明。
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
38K
比算法优化工程师中位数高
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 1470 个在招 · 其中算法优化工程师 8 个
市场机会
选择面较广
算法优化工程师 · 约 410 个在招
职位详情
关于这个职位
该职位负责人形机器人的运动控制算法研发与优化
您将结合深度强化学习和前沿运控技术，定义并实现控制策略的预研、训练、验证与工程化落地，最终将算法能力转化为稳定的机器人运动接口，支持上层应用
最低要求
本科及以上学历，控制工程与控制理论、机械电子、计算机、自动化等相关专业
熟悉人型机器人深度强化学习运动控制的训练和调优，有实机经验
掌握 C++、Python 编程语言，熟练使用 Isaac Lab、mjlab、MuJoCo 等仿真器
发表过相关论文（T-RO、RSS、CoRL、RA-L、ICRA、IROS、ICLR 等）或有机器人竞赛（如 RoboMaster、RoboCup、DARPA 挑战赛等）经验优先录取
工作职责
与各地算法团队联合，共同定义人形机器人学习型运动控制的技术方案，负责控制策略的预研、训练与验证
负责深度强化学习运动控制策略的训练、调优与评估
探索并复现前沿运控方法，包括但不限于感知运控、生成式运控、loco-manipulation 等方向，评估其在产品场景下的适用性
负责研究成果向量产项目的交付与转化，输出可复现的训练流程、模型与评估报告，配合业务完成工程化落地与上线
支持 Skill 参数化、组合执行以及不同场景下的泛化，为上层 VLA 模型与 Agent 提供稳定、清晰、可调用的机器人运动能力接口
AI 洞察
优缺点分析
优点
- 公司处于B轮融资的中大型企业阶段，既有初创公司的技术探索氛围，也有一定的工程化落地平台
- 工作涉及从算法预研到量产落地的完整闭环，能全方位锻炼研究与工程能力
- 香港职位通常具有国际化的视野和具有竞争力的薪酬待遇
- 人形机器人运动控制是公认的高难度技术领域，对理论基础和工程实践要求都极高
缺点 / 挑战
- 处于人形机器人和具身智能这一前沿且快速发展的赛道，技术挑战性强，成长天花板高
- 需要持续跟进学术界和工业界的前沿进展，学习压力大
- 研究成果向产品转化过程中，可能面临稳定性、实时性等严苛的工程挑战
- 工作地点在香港，生活成本较高
- 适合对人形机器人和强化学习有浓厚兴趣，具备扎实算法基础和出色工程能力，并愿意在高难度技术挑战中不断突破自我的技术人才
角色解读
- 技术专家路线：深耕人形机器人运控领域，成为在该细分方向有影响力的技术专家
- 团队负责人路线：随着项目经验和管理能力的积累，可以带领小规模算法团队
- 跨领域拓展：技术能力成熟后，可向更通用的具身智能、多模态机器人控制等方向发展
- 负责人形机器人运动控制算法的研发与优化，是机器人实现稳定、灵活动作的核心
- 利用深度强化学习技术，在仿真环境中训练和调优机器人控制策略，并推动其在实体机器人上的验证
- 探索感知运控、生成式运控等前沿方向，并将研究成果转化为可量产、可复用的工程化交付
- 为上层的视觉-语言-动作模型（VLA）和智能体（Agent）提供底层、可靠的机器人运动能力接口
- 具备扎实的深度强化学习理论与实践经验，特别是在机器人运动控制领域的训练和调优
- 熟练掌握C++和Python编程语言，能独立完成算法实现与工程化部署
- 拥有Isaac Lab、MuJoCo等主流机器人仿真平台的熟练使用经验
- 对机器人学、控制理论有深入理解，具备将算法从仿真迁移到实机的能力
申请策略
- 在简历和面试中，表现出对‘从仿真到实机’这一完整流程的深刻理解和热情，这是该岗位的核心
- 研究并思考‘感知运控’、‘生成式运控’等JD中提及的前沿方向，形成自己的初步见解
- 面试时可以准备好一个你处理过的最复杂的‘算法-工程’结合案例，重点讲述其中的挑战和解决思路
- 突出在深度强化学习（特别是机器人控制方向）的研究或项目经历，最好有实机调试经验
- 详细描述使用C++/Python进行算法实现、优化及与仿真器/硬件交互的具体案例
- 展示熟练使用Isaac Lab、MuJoCo等仿真平台的经验，可列举训练过的具体任务
- 如有相关论文（尤其在T-RO、ICRA、CoRL等顶会）或机器人竞赛获奖经历，务必重点列出
- 系统性复习深度强化学习在连续控制任务（如MuJoCo locomotion）中的经典与前沿算法
面试指南
- 对于技术流程问题，采用‘问题定义-技术选型-实现细节-评估验证’的框架来组织回答
- 对于挑战性问题（如Sim2Real），采用‘具体挑战-分析根源-提出的解决方案-实验验证与结果’的结构
- 对于前沿方向问题，结合你的理解，提出一个‘现状分析-可能的技术路径-潜在难点-验证想法’的思考框架
- 你如何设计一个用于双足机器人行走的深度强化学习训练流程？需要关注哪些关键的奖励函数设计或课程学习策略？
- 请描述一个你将强化学习算法从仿真环境成功迁移到真实机器人上的经历
- 过程中遇到了哪些主要挑战（Sim2Real Gap），你是如何解决的？
- 在运动控制中，如何平衡步态的稳定性、动态响应能力和能效？你的评估指标通常有哪些？
- 你如何看待‘感知运控’或‘loco-manipulation’这些前沿方向？如果让你探索，你的初步思路是什么？
职位点评
薪资福利85
成长发展90
工作生活50
使命价值80
薪资福利
85较高
该职位提供具有竞争力的薪资待遇，但具体福利和稳定性细节未在JD中披露。
薪资信号面议 (25K-50K/月)
成长发展
90较高
该职位要求掌握前沿的深度强化学习和机器人运控技术，涉及从预研到量产的完整链路，技术成长和项目实践价值非常高。
技术前沿前沿/新兴技术
技术栈深度强化学习、Isaac Lab、MuJoCo、感知运控、生成式运控、loco-manipulation、C++、Python
业务类型profit_center
工作生活
50较低
工作地点在香港，职位描述未提及任何办公模式（如远程、弹性）或工作生活平衡相关信息，工作强度无法判断。
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
人形机器人是极具前景的新兴领域，旨在创造能与人类协作或服务人类的智能体，具有较高的社会影响力和创新性。
行业发展新兴领域（暂难判断）
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs