智元机器人
运动控制算法工程师
运动控制算法工程师
发布于 3 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
仿真器
动力学建模
强化学习
机器人运动控制
值不值得投
72综合评分
综合评分 72
前沿机器人核心算法岗，技术成长空间极大，但工作强度与WLB可能面临挑战。
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
3.3万
比机器人开发中位数低
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 1480 个在招 · 其中机器人开发 63 个
市场机会
选择适中
北京 · 机器人开发 · 48 个在招
职位详情
关于这个职位
作为运动控制算法工程师，你将负责智元机器人的核心运动控制算法研究与开发
主要工作包括搭建和优化机器人的运动学与动力学模型，运用强化学习等先进算法提升机器人运动性能，并参与前沿控制技术的预研与落地调试
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、isaaclab以及mujuco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torch库中的使用
工作职责
负责机器人运动控制算法的研究和开发实现,完成机器人运动学、动力学模型的搭建与仿真模拟，优化机器人运动性能
发现和解决算法开发过程中出现的技术问题，根据机器人运动特性为本体/算法协同设计提出建设性意见和改进方向
参与机器人前沿控制技术预研，对相关技术成果资料进行查阅、整理及归纳
负责临时演示任务，能够快速定位排查调试过程中遇到的问题
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）经历
AI 洞察
优缺点分析
优点
- 处于机器人技术前沿，直接参与具身智能核心算法的研发，技术成长空间巨大
- 能够接触到从算法研究、仿真到真机调试的完整研发链条，实践性强
- 公司处于成长期（B轮），有机会伴随公司发展获得更广阔的技术视野和职业机会
- 算法从仿真到真机落地存在‘Sim2Real’Gap，工程实现和调试难度高
- 工作成果需要与机器人本体紧密结合，对系统思维和跨学科协作能力要求高
- 作为成长期公司，业务方向和团队可能处于快速变化中，需要较强的适应能力
- 对机器人学有浓厚兴趣，具备扎实的理论基础和动手能力，乐于解决复杂系统工程问题，并愿意在快节奏、技术驱动的环境中成长的硕士及以上学历候选人
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕运动控制算法，成为机器人核心技术领域的专家或科学家
- 技术管理路线：带领小团队，负责算法模块或子系统的研发与优化
- 行业拓展路线：将技术能力拓展至机器人产品化、新应用场景开发或跨领域（如自动驾驶）研究
- 研究并实现机器人底层运动控制算法，确保机器人动作的准确性与稳定性
- 搭建机器人运动学与动力学仿真环境，通过算法（如强化学习）优化运动性能
- 解决从仿真到真机过程中的技术问题，参与机器人软硬件协同设计与调试
- 扎实的机器人学理论基础（运动学、动力学）和控制系统理论
- 精通C++和Python编程，并能熟练运用强化学习算法和深度学习框架（PyTorch）
- 具备仿真器使用经验和真机调试能力，能快速定位和解决实际工程问题
申请策略
- 仔细阅读智元机器人的公开技术文章或产品演示，了解其技术路线和产品形态，在面试中展现你对公司的了解
- 准备好讲述一个完整的项目故事：从问题定义、技术选型、算法实现、遇到的挑战到最终效果
- 突出机器人相关项目经历，尤其是运动控制、仿真、强化学习方面的实践经验
- 详细描述使用C++/Python、仿真器（如Isaac Gym, MuJoCo）和深度学习框架（PyTorch）完成具体任务的案例
- 列出相关的论文发表、专利或在RoboCup等机器人竞赛中的成绩与角色
- 深入研究并实践强化学习（如PPO、SAC）在机器人控制中的应用案例
- 熟悉并练习使用指定的仿真器（Isaac Gym, Isaac Lab, MuJoCo）完成端到端的训练流程
- 回顾并加强机器人学基础，特别是正逆运动学（FK/IK）、动力学建模和常用库（RBDL, Pinocchio）的使用
面试指南
- 技术问题回答框架：定义问题 -> 理论基础 -> 技术方案选择 -> 实现细节 -> 遇到的难点与创新点 -> 结果与反思
- 项目经验回答框架：使用STAR法则（Situation, Task, Action, Result），重点突出你的个人贡献和解决问题的思路
- 开放性问题框架：先阐述自己的理解，再结合实际项目或文献中的例子进行论证，最后可以提出自己的思考或疑问
- 请介绍一个你利用强化学习解决机器人运动控制问题的项目，遇到的最大挑战是什么？如何解决的？
- 如何评估一个运动控制算法的优劣？请从仿真和真机两个层面分别说明
- 你对‘Sim2Real’问题有什么理解？有哪些常用的应对策略？
- 请解释一下Transformer或MoE架构在机器人控制中可能的应用场景
- 如果让你为一个全新的机器人关节设计一个力控算法，你的思路是怎样的？
职位点评
薪资福利65
成长发展90
工作生活50
使命价值85
薪资福利
65中等
该职位提供了有竞争力的技术岗位薪资，但作为B轮公司，其薪资福利的绝对水平与稳定性可能无法与头部成熟企业完全相比。
薪资信号未披露（AI估算：2.5千–4万/月）
成长发展
90较高
该职位处于机器人技术的核心研发环节，技术栈前沿，能够直接参与从算法到产品的全流程，为个人技术深度和广度的成长提供了极佳的平台。
技术前沿前沿/新兴技术
技术栈强化学习、运动控制、动力学建模、C++、Python、PyTorch、仿真器
成长机会前沿控制技术预研
业务类型profit_center
工作生活
50较低
工作模式未明确，但机器人算法工程师通常需要高强度现场办公（尤其在调试阶段），且可能面临为了赶项目进度而加班的情况，工作与生活平衡存在挑战。
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
投身于具身智能与机器人这一高增长、高创新性领域，工作具有明确的技术价值和社会意义，能够推动人工智能与物理世界的结合。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs