吉利汽车
具身智能Sim-to-Real算法工程师
具身智能Sim-to-Real算法工程师
发布于 大约 13 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
3D重建
Nerf
Pytorch
Ros/Ros2
Sim-To-Real
具身智能
域随机化
强化学习
模仿学习
值不值得投
74综合评分
综合评分 74
前沿技术、高薪、大平台，但工作强度大，WLB一般。
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
55K
比具身智能中位数高
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 1230 个在招
市场机会
选择不多
杭州 · 具身智能 · 10 个在招
职位详情
关于这个职位
该职位负责具身智能领域Sim-to-Real算法的研发，突破数据采集与真机迁移瓶颈，实现低成本、高效率的虚实贯通
你将参与从数据采集、场景重建到策略迁移的全流程，推动机器人在真实场景中的快速部署
适合对机器人学、强化学习和3D视觉有深厚积累的研究型工程师
最低要求
博士或优秀硕士，计算机视觉、机器人学、强化学习、人工智能等相关专业
核心技术：精通模仿学习（IL）、强化学习（RL），熟悉ACT、Diffusion Policy、RDT、π0等具身模型架构
Sim-to-Real经验：深入理解仿真与真实的差异来源，具备域随机化、元学习、域适应的实战经验
D视觉：熟悉3D重建（NeRF/Gaussian Splatting）、SLAM、多传感器融合，具备Real-to-Sim场景重建能力
工程落地：精通PyTorch，具备ROS/ROS2部署经验，熟悉模型量化、TensorRT加速与边缘计算优化
工作职责
无本体数据采集：研发基于UMI（Universal Manipulation Interface）或可穿戴设备的低成本数据采集方案，实现无需机器人本体的真实世界操作数据获取
Real-to-Sim重建：开发基于3D Gaussian Splatting或NeRF的场景重建算法，将真实环境高保真迁移至仿真器，支持自动化数据扩增
Sim-to-Real迁移：研究域适应（Domain Adaptation）、域随机化、系统辨识等技术，缩小仿真与真实的性能差距（Reality Gap）
跨本体泛化：开发异构机器人本体间的策略迁移算法，实现零样本或少样本的真机部署
真机验证闭环：设计虚实贯通的训练范式，优化仿真与真实数据配比（如5:1配比下将操作成功率从46.7%提升至93.3%）
优先资格
有UMI、AR/VR遥操作或低成本数据采集系统的实际开发经验
熟悉NVIDIA Warp、Isaac Gym等大规模并行仿真训练框架
在CoRL、ICRA、IROS、RSS等顶会发表过Sim-to-Real相关论文
具备真实机器人（机械臂/人形机器人）全栈部署与调试经验
AI 洞察
优缺点分析
优点
- 依托吉利汽车大平台，资源丰富，有机会接触真实机器人应用场景
- 薪资水平高，福利待遇好，职业发展路径清晰
- 工作强度大，可能需要加班和快速迭代
缺点 / 挑战
- 处于具身智能前沿赛道，技术挑战大，成长空间广阔
- 技术难度高，需要跨学科知识，学习压力大
- Sim-to-Real领域尚不成熟，研究风险较高，可能面临失败
- 适合对机器人学和AI有强烈兴趣，具备扎实研究功底和工程能力，勇于挑战前沿难题的求职者
角色解读
- 在具身智能领域深耕，成为Sim-to-Real方向的专家，引领技术突破
- 向技术管理方向发展，带领团队推动机器人产品落地
- 跨领域发展，结合汽车产业需求，探索自动驾驶与机器人的融合应用
- 研发低成本数据采集方案，如基于UMI或可穿戴设备，实现无需机器人本体的真实操作数据获取
- 开发Real-to-Sim场景重建算法，利用NeRF或3D Gaussian Splatting将真实环境高保真迁移至仿真器
- 研究Sim-to-Real迁移技术，包括域适应、域随机化等，缩小仿真与真实的性能差距
- 设计虚实贯通的训练范式，优化仿真与真实数据配比，提升真机部署成功率
- 精通模仿学习和强化学习，熟悉ACT、Diffusion Policy等具身模型架构
- 具备3D视觉基础，熟悉NeRF/Gaussian Splatting、SLAM等重建技术
- 工程能力强，精通PyTorch，有ROS/ROS2部署经验，熟悉模型优化和边缘计算
- 有Sim-to-Real实战经验，理解域随机化、域适应等方法
申请策略
- 了解吉利在智能驾驶和机器人领域的布局，在面试中展现对业务的理解
- 准备一个完整的Sim-to-Real项目案例，展示从数据到部署的闭环能力
- 突出模仿学习、强化学习项目经验，特别是与具身模型相关的实践
- 强调3D重建、Sim-to-Real迁移的实战案例，量化成果
- 展示工程能力，如PyTorch、ROS部署、模型优化等技能
- 如有顶会论文或开源项目，务必列出
- 补充学习NVIDIA Warp、Isaac Gym等仿真框架
- 熟悉UMI、AR/VR遥操作等数据采集系统
面试指南
- 采用STAR法则，清晰描述情境、任务、行动和结果
- 突出技术深度和工程实践，展示解决问题的能力
- 结合具体数据或案例，量化成果
- 请介绍一个你使用模仿学习或强化学习解决实际问题的项目
- 如何缩小仿真与真实之间的差距？请举例说明
- 你如何设计一个低成本数据采集方案？
- 解释一下3D Gaussian Splatting的原理及其在Real-to-Sim中的应用
- 在真机部署时，你如何优化模型以满足实时性要求？
职位点评
薪资福利80
成长发展95
工作生活40
使命价值70
薪资福利
80较高
该职位薪资水平高，福利待遇好，但具体薪资未在JD中明确，属于面议。
薪资信号面议 (40K-70K/月)
成长发展
95较高
该职位处于具身智能前沿，技术挑战大，成长空间广阔，且公司平台大，能提供丰富的资源和培训机会。
技术前沿前沿/新兴技术
技术栈Sim-to-Real、模仿学习、强化学习、3D重建、NeRF、Gaussian Splatting、PyTorch、ROS/ROS2
业务类型profit_center
工作生活
40较低
该职位要求现场办公，且未提及弹性工作，工作强度可能较大，生活平衡一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
该职位属于人工智能与机器人领域，具有较高的技术价值，但社会影响力一般。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs