全身运控操作研究员

优缺点分析

角色解读

• 技术方向：从算法研究员逐步成长为具身智能领域的专家，主导核心算法突破
• 管理方向：可转向技术负责人或团队 leader，带领研究小组推进项目
• 学术方向：持续产出顶会论文，同时推动研究成果在真机上的落地转化
• 研究足式/人形机器人的运动-操作一体化算法，包括行走与操作的耦合建模、动态平衡控制
• 应用强化学习、模仿学习等方法训练全身控制策略，并在仿真环境中验证
• 探索 VLA 多模态模型将视觉、语言指令转化为机器人动作
• 参与真实机器人平台上的实验调试，分析失败案例并迭代算法
• 扎实的机器人学与控制理论基础，熟悉足式机器人运动学、动力学
• 熟练掌握 Python 及 PyTorch/JAX 等深度学习框架
• 具有强化学习、模仿学习或 related policy 研究经验
• 对 VLM/LLM 在机器人中的应用有一定了解

申请策略

• 提交简历时附上研究作品集（论文、代码仓库或演示视频），体现综合能力
• 提前了解智元机器人的技术栈和产品方向，在面试中展示匹配度
• 重点突出足式机器人相关项目经历，特别是行走控制、接触动力学或全身控制经验
• 展示强化学习、模仿学习或策略搜索相关的研究成果，最好有论文或开源项目
• 强调 VLA 或多模态模型应用经验，如使用过 VLM/LLM 控制机器人
• 列出仿真平台（Isaac Sim/Mujoco）和真机实验经历，体现工程能力
• 如果缺乏多模态经验，可快速学习 CLIP、RT-2 等相关模型，并尝试在仿真中结合控制
• 补充分布式训练和大规模数据处理的技能，如 torch.distributed 或 Ray

面试指南

• 技术问题：先给出核心概念定义，再分点阐述自己的理解，最后结合实际经验
• 项目问题：采用 STAR 原则（情境、任务、行动、结果），突出个人贡献和成果
• 开放性题目：从多角度分析，展示系统思维，可引用近期顶会论文作为支撑
• 请解释 loco-manipulation 中的核心挑战有哪些？如何统一建模行走与操作？
• 你如何设计一个强化学习框架来实现人形机器人的全身控制？训练时如何处理高维动作空间？
• 你如何将 VLM 或 LLM 集成到机器人控制闭环中？遇到过哪些瓶颈？
• 描述一个你在真机实验中遇到的失败案例，以及如何分析和改进的？
• 你如何看待当前足式机器人领域的前沿问题？未来三年你认为重要的发展方向是什么？