智元机器人
强化学习运动控制算法工程师
强化学习运动控制算法工程师
发布于 25 分钟前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
人型机器人
强化学习
机器人学
算法优化
运动控制
值不值得投
72综合评分
综合评分 72
前沿技术、产品化导向、高成长潜力的机器人算法岗，生活平衡需自行评估。
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
33K
比人工智能中位数低
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 1410 个在招 · 其中人工智能 2 个
市场机会
选择面较广
上海 · 人工智能 · 约 160 个在招
职位详情
关于这个职位
作为人型机器人研发团队的一员，你将负责使用深度强化学习技术设计与优化机器人的运动控制算法，让机器人能够稳定、灵活地在真实世界中行走、操作和交互
你的工作将直接推动前沿机器人技术从仿真走向量产交付
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、mujuco等仿真器
工作职责
负责人型机器人深度强化学习运动控制模型的训练、部署、优化
参与相关运控量产功能的上线交付
参与前沿算法的探索和复现，包括但不限于感知运控、生成式运控、loco-manipulation、whole-body VLA等
支持 Skill 参数化、组合执行以及不同场景下的泛化，为上层 Agent 提供稳定、清晰、可调用的机器人能力接口
优先资格
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
AI 洞察
优缺点分析
优点
- 岗位直接面向产品量产和真实场景应用，能获得宝贵的端到端工程经验
- 参与全球领先的学术成果复现与创新，与顶尖团队共同工作，视野开阔
- 深度强化学习的实机部署（Sim2Real）技术难度极大，需要持续解决理论与实际的差距
- 作为新兴技术领域，技术路线和工具链仍在快速迭代，需要极强的学习和适应能力
- 对机器人学充满热情，有扎实的算法理论基础和动手能力，渴望将前沿研究转化为实际产品的技术探索者
缺点 / 挑战
- 从事人型机器人这一前沿且极具潜力的领域，技术挑战性高，成长空间大
- 量产交付意味着对算法的鲁棒性、稳定性和效率有极高要求，工作压力可能较大
角色解读
- 技术专家路线：深耕运控算法，成为强化学习或机器人控制领域的顶尖专家，主导核心算法攻关
- 技术管理路线：随着项目经验和团队影响力的积累，转向技术负责人或团队管理者，规划技术方向
- 跨领域拓展：将运控技术与感知、规划、决策等模块深度融合，向通用型机器人系统架构师发展
- 使用深度强化学习算法训练人型机器人的运动控制模型，使其能在复杂环境中稳定行走和操作
- 负责将算法从仿真环境（如Isaac Lab, MuJoCo）迁移到真实机器人硬件，并进行调试与优化
- 探索感知与运控结合、生成式运控、全身VLA等前沿方向，复现并创新学术界最新的研究成果
- 设计并提供标准化的机器人能力接口（如行走、抓取），支持上层智能体进行组合调用
- 扎实的深度强化学习理论知识，特别是与连续控制、模拟到现实（Sim2Real）迁移相关的算法
- 精通C++和Python编程，并有在复杂仿真环境中进行大规模模型训练和部署的实战经验
- 对人型机器人动力学、运动学有深入理解，具备独立进行算法实机调试和问题排查的能力
申请策略
- 在求职信或项目描述中，着重体现你对“从仿真到现实”这一关键挑战的理解和解决思路
- 深入了解智元机器人公开的技术报告、论文或产品演示，使你的申请更具针对性
- 突出任何与强化学习、机器人控制相关的项目经历，尤其是有实机调试或Sim2Real成功案例的
- 详细列出你掌握的编程语言、深度学习框架及仿真工具（Isaac Lab, MuJoCo等）的熟练程度
- 如有相关领域的顶会论文或知名机器人竞赛经历，务必在简历显著位置展示
- 系统复习和实践深度强化学习经典算法（如PPO、SAC）及其在机器人控制中的具体应用
- 深入学习1-2款主流机器人仿真器（如Isaac Lab或MuJoCo），并尝试完成端到端的控制任务
面试指南
- 技术问题回答框架：STAR原则（情境、任务、行动、结果），重点突出你的技术决策和量化成果
- 针对Sim2Real问题：阐述从仿真建模、域随机化、真实数据微调到部署验证的完整思路
- 结合自身经验：将面试问题与你过去做过的最相关的项目或研究紧密联系起来，展示深度思考
- 请描述一个你使用强化学习解决的机器人控制问题，以及遇到的最大挑战和解决方案
- 你如何让一个在仿真环境中训练好的策略在真实机器人上也能有效工作？（Sim2Real Gap）
- 除了强化学习，你认为还有哪些技术或方法对实现鲁棒的人型机器人运动很重要？
- 你对我们公司目前正在探索的某个技术方向（如whole-body VLA）有什么理解？
- 如果让你负责一个从零开始的机器人运动控制模块，你的开发流程和关键里程碑会如何规划？
职位点评
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利
75中等
职位位于机器人行业高需求技术岗，薪酬有一定市场竞争力，但JD未披露具体薪资和福利细节。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
85较高
岗位涉及深度强化学习、人型机器人等前沿技术领域，有明确的实机交付和算法探索要求，技术成长空间显著。
技术前沿前沿/新兴技术
技术栈深度强化学习、运动控制、Isaac Lab、MuJoCo、whole-body VLA、C++、Python
业务类型profit_center
工作生活
50较低
JD未提及任何关于工作时间、弹性办公或福利的信息，工作地点在深圳、上海，生活成本较高，WLB情况无法从描述中判断。
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
70中等
人型机器人是新兴前沿领域，具有广阔的想象空间和社会应用潜力，但JD侧重于技术实现，未明确阐述使命或社会价值。
行业发展新兴领域（暂难判断）
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs