吉利汽车
人形机器人机械臂VLA算法工程师
人形机器人机械臂VLA算法工程师
发布于 3 天前普通员工/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
仿真环境
强化学习
机器人学
模仿学习
模型轻量化
值不值得投
73综合评分
综合评分 73
前沿机器人算法岗，技术成长性强，WLB未明确。
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
2万
比机器人开发中位数低
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 2600 个在招 · 其中机器人开发 18 个
市场机会
选择适中
杭州 · 机器人开发 · 16 个在招
职位详情
关于这个职位
这个职位负责人形机器人机械臂的算法开发，核心工作包括强化学习、模仿学习和视觉-语言-动作（VLA）算法的复现、调试、训练与部署
你需要搭建仿真环境进行算法验证，并将训练好的模型部署到实际机械臂控制系统中，确保精准执行自然语言指令
最低要求
有机器人/机械、自动化/控制、计算机/软件学科背景
熟悉强化学习/模仿学习/VLA算法的基本原理及主流的核心算法
熟悉机器人正运动学、逆运动学等机器人学的基本理论
掌握C/C++编程语言，熟悉Python等脚本语言开发
熟悉PyTorch深度学习框架
具备Linux环境下开发经验，熟悉常用的数据结构和算法
工作职责
参与机械臂强化学习（如PPO、SRPO、SAC）/模仿学习（如ACT、DP、DP3等）/视觉-语言-动作VLA（RDT-1B、Pi0、Pi0.5等）主流算法的复现、调试与部署
开发视觉（图像/点云）、语言（文本指令）、力/触觉与机械臂动作空间的跨模态对齐算法，确保机器能精准理解自然语言指令，并生成动作指令
基于PyTorch搭建机械臂强化学习训练框架，设计经验回放、探索策略等模块
通过分布式训练、梯度裁剪等技术优化训练效率
在Isaac Sim、Mujoco、Sapien等平台搭建高保真机械臂模仿学习/强化学习仿真环境，模拟不同工况（如物体姿态变化、环境干扰），评估动作精度、任务成功率等关键指标
根据任务场景，设计机械臂强化学习的状态空间（如关节角度、力传感器数据、视觉特征等）与动作空间（如关节速度、末端位置控制量等）
将训练完成的强化学习/模仿学习/VLA模型模型部署至实际机械臂控制系统，进行模型轻量化（如TensorRT加速），解决“仿真-实物”迁移中的误差问题，确保实物执行精度
针对训练中以及实物运行中的任务失败等问题，通过日志分析、参数调优迭代优化算法
编写算法设计文档、训练手册及部署指南，支撑团队协作与项目落地
AI 洞察
优缺点分析
优点
- 接触VLA等前沿算法，技术含量高，有持续学习机会
- 吉利汽车提供实际工业场景，能参与从仿真到实物的全流程开发
- 跨学科协作，涉及硬件、软件和AI，视野广阔
- 仿真到实物的迁移可能存在误差，需要耐心调试和优化
- 技术迭代快，需不断跟进最新算法和工具
- 项目可能涉及多部门协调，对沟通能力有要求
- 适合对机器人学和人工智能有浓厚兴趣，具备扎实编程和算法基础，愿意解决实际工程问题的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 深耕机器人算法领域，成为VLA或强化学习方向的技术专家
- 向项目管理或技术领导角色发展，负责更大规模的研发项目
- 积累工业部署经验，转向机器人系统架构师或高级算法工程师
- 开发和优化机器人强化学习、模仿学习和VLA算法，实现机械臂的智能控制
- 搭建高保真仿真环境进行算法训练和评估，解决仿真到实物的迁移问题
- 将算法模型部署到实际机械臂，通过轻量化技术确保执行精度，并持续迭代优化
- 扎实的强化学习、模仿学习和VLA算法知识，理解PPO、SAC等核心算法原理
- 机器人学理论，包括正运动学、逆运动学，以及跨模态对齐技术
- 熟练使用C/C++、Python和PyTorch框架，具备Linux环境开发经验
- 熟悉仿真平台如Isaac Sim、Mujoco，以及模型轻量化工具如TensorRT
申请策略
- 研究吉利汽车在机器人和智能制造领域的研发动态
- 准备算法复现或仿真项目的展示材料，体现动手能力
- 突出机器人、自动化或计算机相关学科背景和项目经验
- 强调强化学习、模仿学习或VLA算法的实际应用案例
- 展示C++、Python和PyTorch的熟练程度，以及Linux开发经验
- 包括使用Isaac Sim、Mujoco等仿真平台的经历
- 深入学习VLA算法如RDT-1B、Pi0等，了解最新研究进展
- 提升机器人学理论知识，特别是运动学和控制部分
面试指南
- 使用STAR方法（情境、任务、行动、结果）结构化回答项目经验
- 强调理论结合实践，说明如何将算法原理应用到实际问题
- 展示问题解决能力，例如调试过程、优化策略和最终效果
- 请解释强化学习在机械臂控制中的应用，并举例说明
- 如何解决仿真环境与实物机械臂之间的迁移误差？
- 描述一个你参与的机器人学习项目，你的角色和成果
- 你如何优化强化学习训练效率？
- 你熟悉哪些VLA算法，它们之间有何异同？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值75
薪资福利
70中等
薪资福利信息未披露，但作为上市公司岗位，补偿性动机满足程度一般。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
职位涉及前沿的VLA和强化学习技术，提供技能成长和行业积累机会。
技术前沿前沿/新兴技术
技术栈强化学习、VLA算法、PyTorch、C++、Python
业务类型ambiguous
工作生活
60中等
办公模式和WLB未明确提及，可能偏向现场办公，生活化动机满足程度有限。
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
75中等
机器人行业属于高速增长赛道，技术具有创新性，能带来一定的社会价值感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs