吉利汽车
算法工程师
算法工程师
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Opencv
Pcl
Sim-To-Real
强化学习
手眼标定
模仿学习
值不值得投
79综合评分
综合评分 79
吉利汽车具身智能核心算法岗，技术前沿且成长空间大，依托真实工业场景落地，实机调试挑战与机遇并存。
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
3.5万
比具身智能中位数低
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 3210 个在招 · 其中具身智能 4 个
市场机会
选择适中
杭州 · 具身智能 · 20 个在招
职位详情
关于这个职位
该职位主要负责协作机器人及人形机器人的软硬件系统集成与算法开发，涵盖视觉手眼标定、抓取规划、柔性装配及基于强化/模仿学习的端到端操控策略
你需要构建物理仿真环境并优化Sim-to-Real算法，推动机器人在工业制造场景的落地应用
最低要求
熟练掌握Python、C/C++编程语言，编程风格良好
熟悉常用工业通讯协议（EtherCAT, Profinet, TCP/IP）
熟悉至少一种协作机器人（如 UR,遨博,节卡）的底层协议与编程控制
熟悉OpenCV、Open3D, PCL或 Halcon 等图像、点云处理工具
可以指导初级工程师，攻克复杂场景下的算法适配、实时性要求、泛化交互等难题
工作职责
参与核心业务和产品软硬件系统开发设计，如协作机器人、单臂/双臂复合机器人、人形机器人等系统集成及其在工业制造场景的开发应用
视觉系统集成，负责 2D/3D视觉系统与协作机器人的手眼标定（Hand-eye Calibration）及通讯对接
抓取与规划，开发针对无序/有序堆叠零部件的抓取位姿估计算法，并进行避障路径规划
柔性装配，利用协作机器人的内建力控或外接六维力传感器，开发自适应装配、拧紧策略等
策略算法开发，研发基于模仿学习（Imitation Learning）或强化学习（Reinforcement Learning）的端到端操控策略
仿真与实机迁移，构建高保真物理仿真环境（如 Isaac Sim, Mujoco），优化 Sim-to-Real 算法，减少实机调试成本
优先资格
有过工业视觉检测、尺寸测量、仿真规划等工业软件系统开发和测试经验优先
AI 洞察
优缺点分析
优点
- 处于具身智能与人形机器人这一极具前景的前沿赛道，技术壁垒高，个人核心竞争力强
- 依托吉利汽车集团的工业制造场景，拥有丰富的实机调试与落地机会，避免纯理论研究的局限
- 能够接触从底层控制、视觉感知到强化学习策略的全栈机器人技术，技能积累全面
- 需要兼顾算法创新与工业级实时性、稳定性要求，对工程落地能力要求极高
- 适合具备扎实机器人学基础、对具身智能有强烈热情，且渴望在真实工业场景中验证前沿算法的算法工程师
缺点 / 挑战
- Sim-to-Real迁移和复杂场景下的泛化交互是行业公认难题，实机调试可能面临较高的失败率和反复迭代压力
角色解读
- 纵向可晋升为具身智能/机器人算法专家或技术负责人，带领团队攻克复杂场景难题
- 横向可向机器人系统架构师或AI产品化负责人发展，推动前沿技术在工业制造场景的商业化落地
- 负责协作机器人及人形机器人的软硬件系统集成，涵盖2D/3D视觉手眼标定与通讯对接
- 开发抓取位姿估计、避障路径规划及基于力控的柔性装配算法
- 研发基于模仿/强化学习的端到端操控策略，并构建物理仿真环境优化Sim-to-Real迁移
- 精通Python/C++，熟悉EtherCAT等工业通讯协议及协作机器人底层控制
- 熟练使用OpenCV、Open3D、PCL等视觉与点云处理工具
- 具备强化学习、模仿学习及物理仿真（Isaac Sim/Mujoco）的算法开发与实机部署经验
申请策略
- 了解吉利汽车在智能制造和机器人领域的最新布局，面试时可结合其实际产线场景提出算法优化思路
- 突出在强化学习、模仿学习或Sim-to-Real迁移方面的实际项目经验及落地成果
- 详细展示在视觉手眼标定、点云处理或机器人运动规划/力控方面的具体技术细节
- 强调使用Isaac Sim/Mujoco等仿真工具的经验，以及将仿真策略成功部署到实机的案例
- 深入学习Isaac Sim或Mujoco等主流物理仿真引擎，掌握高保真环境构建与域随机化技术
- 补充机器人动力学、现代控制理论及力控算法知识，提升柔性装配等复杂任务的算法设计能力
面试指南
- 采用STAR法则，重点突出“复杂场景下的难点”、“你的具体技术方案（如算法选型、参数调优）”以及“最终的量化指标（如成功率、耗时）”
- 对于仿真与实机迁移问题，遵循“问题分析-仿真环境构建-域随机化/自适应策略-实机验证与迭代”的逻辑链条进行解答
- 请详细介绍你做过的手眼标定项目，如何解决标定误差对抓取精度的影响？
- 在Sim-to-Real迁移中，你使用了哪些域随机化或系统辨识方法来缩小仿真与现实的差距？
- 针对无序堆叠零部件的抓取，你的位姿估计算法是如何设计的？如何处理遮挡和反光问题？
- 请解释强化学习在端到端操控中的奖励函数设计，以及如何保证策略的实时性和安全性？
- 复习机器人学基础（如DH参数、正逆运动学、雅可比矩阵）及手眼标定原理，准备相关推导或代码实现细节
- 梳理自己过往项目中的失败案例及解决思路，面试官通常会深挖在实机调试中遇到的Corner Case及应对策略
职位点评
薪资福利80
成长发展90
工作生活60
使命价值85
薪资福利
80较高
具身智能算法岗属于当前市场高薪赛道，吉利作为头部车企能提供具备竞争力的薪酬，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位涉及强化学习、仿真迁移等前沿技术，且依托真实工业场景，技术成长空间极大，能指导初级工程师也体现了团队梯队建设。
技术前沿前沿/新兴技术
技术栈Python、C/C++、OpenCV、Open3D、PCL、Isaac Sim、Mujoco、Imitation Learning、Reinforcement Learning、Sim-to-Real
成长机会指导初级工程师
业务类型profit_center
工作生活
60中等
机器人算法岗涉及大量实机调试，通常需要深入车间或实验室，工作强度可能随项目节点波动，JD未明确说明WLB情况。
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
85较高
推动人形机器人与协作机器人在工业制造场景的落地，有助于制造业转型升级，具有较高的社会价值与行业使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs