运控算法工程师/专家-Genie业务部

优缺点分析

角色解读

• 从运动规划算法工程师逐步成长为技术专家，主导机器人全身控制系统的架构设计
• 可向具身智能算法方向拓展，融合VLM/VLA等深度学习技术，成为端到端机器人学习领域的专家
• 未来可晋升为算法团队负责人或技术总监，带领团队攻克复杂机器人控制难题
• 设计并优化人形机器人全身运动规划算法，涵盖路径规划、轨迹优化、实时反应式控制与力控
• 深度参与数据闭环流程，与遥操作和具身算法团队协作，提升机器人行为的拟人性、实时性和安全性
• 利用仿真环境（如MuJoCo、Isaac Lab）验证算法鲁棒性，并与硬件团队集成调试，确保系统整体性能
• 扎实的机器人学基础：熟悉刚体运动学、运动学与逆运动学，掌握RRT、PRM、A*等路径规划算法
• 精通轨迹优化与模型预测控制（MPC），能构建和求解凸优化与非线性优化问题
• 熟练使用Python和C++，具备ROS2开发经验，熟悉Pinocchio、OMPL、TrajOpt等机器人库和框架
• 有机械臂力控（阻抗/导纳）与标定实机项目经验，熟悉仿真软件如MuJoCo、Isaac Lab

申请策略

• 关注智元机器人的技术博客和公开演讲，了解Genie业务部的产品方向和技术痛点，面试时展现对业务的深入理解
• 准备好一个完整的项目案例，从问题定义、算法设计、仿真验证到实机效果，体现工程闭环思维
• 突出运动规划或轨迹优化的项目经验，尤其是机械臂或人形机器人的实机落地案例
• 强调熟练掌握的框架和工具（如ROS2、OMPL、Pinocchio、MuJoCo）以及编程语言（C++/Python）
• 如有论文或竞赛（RoboCon/RoboMaster）经历，务必列出，并描述个人贡献
• 展示力控（阻抗/导纳）或全身控制相关的实践经验，最好有量化结果（如精度、实时性提升）
• 提前复习机器人学核心知识，特别是运动学、动力学、优化理论和MPC原理
• 动手练习常用开源框架（如OMPL、TrajOpt、Curobo），在仿真环境中复现简单规划任务

面试指南

• 对于项目描述题：按照STAR法则（情境、任务、行动、结果），重点突出技术难点和你的贡献
• 对于开放式设计题：先明确问题边界，提出多个候选方案，对比优劣，最后给出推荐方案并解释原因
• 对于理论概念题：先给出准确定义，再结合实际例子说明应用，最后提及相关局限或改进方向
• 请详细描述你做过的一个机械臂路径规划或轨迹优化项目，包括算法选择、优化目标和最终效果
• 如何解决人形机器人全身运动规划中的实时性问题？请举例说明
• 解释力控中阻抗控制与导纳控制的区别，并说明在什么场景下选择哪一种？
• 如何将端到端深度学习（如VLM）与传统运动规划方法结合？谈谈你的思路
• 如何保证仿真环境中训练的算法在真实机器人上也能表现良好？请说明 sim-to-real 的常见挑战和解决方法