同花顺具身智能机械工程师
任职要求
-
工作职责
算法工程师（视觉大模型）: 1、 协调上层应用需求到机器视觉算法的整体架构； 2、 实现机器人基于3D视觉的双臂抓取方案，落地在照片、水杯等常规物体的视觉抓取任务中； 3、带领算法团队进行传统机器人视觉到端到端视觉大模型的技术演进，并落地在双臂协同抓取任务 算法工程师（导航定位）: 1、 负责机器人基于LIDAR的导航与定位算法研究与实现，并支持机器人业务中导航的需求； 2、负责单线和多线LIDAR的开发，SLAM 算法、多传感器融合算法、3D点云、3D场景重建等； 3、负责无地图导航算法研究、自主实时建图方案研究； 4、实现高精度的地图更新 算法工程师（机器人操作系统）: 1、从事移动机器人系统的设计和研发，不限于底盘、四足、双足等形态;设计机械结构，硬件结构、并具备-定嵌入式开发经验； 2、具备机器人硬件开发经验，实现对关节电机的控制、实现与相机和雷达的通信； 3、熟悉运动控制算法，利用动捕收集步态数据，并通过强化学习和模仿学习实现机器人运动控制 算法工程师（双臂）: 1、复现开源的双臂机器人扩散大模型RDT,并完成数据采集、模型训练、优化等功能； 2、设计触觉反馈传感器，并用于灵巧手，实习灵巧手的触党反馈:3参与机器人架构设计、零部件选型、算法方案设计 算法工程师（运动控制）: 1.设计、 开发、实现和优化智能机械管的控制算法， 提高机械臂的智能性和学习能力； 2、研究机器人的智能控制模型，理解机器人的知、推理、学习和行为规划等机制； 3、在等机器人软件平台上开发机器人的控制和规划程序，并在Linux系统下进行软件开发和调试； 4、与其他团队成员合作，集成机器人和其他智能设备的功能，实现智能化的生产流程
1、负责机器人本体结构设计，包括但不限于关节、肢体、躯干等关键部件的设计，保证机械机构合理性和可靠性 2、对机器人机械零部件进行硬件规格设计，包括材料选择、尺寸确定、公差控制等。 3、优化机器人结构构型，提高机器人的运动稳定性、操作精度 4、负责设计图纸输出、跟进和组装，负责对供应链制造工艺的调研和评估
1. 负责具身智能系统的伺服控制算法设计与开发，包括位置、速度、力矩控制等； 2. 结合动力学建模与传感器反馈，优化高精度、低延迟的实时控制算法； 3. 研究并实现自适应控制、鲁棒控制、模型预测控制（MPC）等先进算法，提升系统动态响应与抗干扰能力； 4. 与硬件团队协作，完成控制算法在嵌入式平台（如DSP、FPGA、ROS等）的部署与性能调优； 5. 设计仿真与实验验证方案，分析系统性能并持续优化算法； 6. 跟踪前沿技术（如强化学习、仿生控制、多模态感知融合等），探索其在伺服控制中的应用。
1. 基于 NVIDIA Isaac 的仿真平台开发 ‒ 搭建和维护基于 NVIDIA Isaac Sim 的机器人仿真系统，支持多种机器人类型（例如移动机器人、机械臂、无人车等）。 ‒ 利用 NVIDIA Omniverse 技术，构建高保真的虚拟环境，模拟物理特性（如动力学、传感器特性、碰撞检测等）。 ‒ 开发和优化 Isaac Sim 中的自定义扩展模块，满足项目需求。 2. 环境建模与场景构建 ‒ 使用 NVIDIA Omniverse 和其他建模工具（如 Blender、Maya）创建逼真的仿真环境和场景。 ‒ 配置和调试虚拟传感器（如激光雷达、摄像头、IMU）以模拟真实硬件行为。 ‒ 构建动态交互场景，用于测试机器人在复杂环境中的性能。 3. 机器人控制与算法验证 ‒ 在仿真环境中集成和测试机器人算法（如SLAM、路径规划、运动控制）。 ‒ 验证和优化机器人感知算法（如视觉检测、环境感知）在高保真模拟环境中的效果。 ‒ 通过仿真结果分析算法性能，为实际机器人实施提供支持。 4. 系统集成与工具链开发 ‒ 与机器人硬件和软件团队合作，将仿真结果与实际机器人验证无缝对接。 ‒ 开发自动化测试工具和数据可视化分析工具，提高开发效率和数据洞察能力。 ‒ 集成 Isaac 与其他机器人框架（如 ROS/ROS 2）以支持全栈开发。 5. 研究与创新 ‒ 研究 NVIDIA Isaac 平台的最新功能和应用场景，将新技术引入仿真系统开发。 ‒ 跟踪机器人仿真领域的前沿技术（如物理引擎优化、AI 模型仿真、数字孪生技术），并应用于项目中。
1. 路径规划 ‒ 开发适用于多种场景（如机器人导航、自动驾驶、无人机等）的路径规划算法； ‒ 实现经典和前沿的全局及局部路径规划方法（如 A*、Dijkstra、RRT、DWA 等），优化路径规划的效率和鲁棒性； ‒ 处理动态环境中的路径生成和调整，解决复杂场景下的避障问题。 2. 行动决策 ‒ 研究并实现具身智能体的行动决策算法，设计任务分解和行为选择的逻辑； ‒ 基于行为树（Behavior Tree）、有限状态机（FSM）等方法，构建模块化的决策框架； ‒ 开发多智能体协作与竞争的行动决策模型，支持复杂交互任务的执行。 3. 强化学习（Reinforcement Learning，RL） ‒ 针对具身智能场景（如机械臂控制、机器人动态避障、导航等），设计强化学习的 reward 函数和训练策略； ‒ 实现主流深度强化学习算法（如 DQN、DDPG、PPO、SAC 等），解决高维连续控制与探索问题； ‒ 优化强化学习模型的收敛速度和鲁棒性，提升算法在实际场景中的表现。 4. 模仿学习（Imitation Learning，IL） ‒ 通过专家示范数据（如轨迹、动作序列）训练智能体，实现模仿人类/智能体行为； ‒ 应用行为克隆（Behavior Cloning, BC）、逆强化学习（Inverse Reinforcement Learning, IRL）等技术解决稀疏奖励问题； ‒ 结合模仿学习与强化学习，提升智能体在复杂任务中的学习和泛化能力。 5. 算法优化与工程实现 ‒ 优化算法的计算效率和资源占用，适配实时性要求 ；‒ 在仿真环境（如 Gazebo、PyBullet、Mujoco 等）和真实设备中验证算法性能； ‒ 配合嵌入式团队完成算法在终端设备上的部署与优化。 6. 技术研究与创新 ‒ 跟踪具身智能领域的前沿算法进展，探索新技术的实际应用； ‒ 研究多模态感知与决策（如视觉、语音、触觉）的融合方法，提升智能体的环境理解与行动能力； ‒ 参与长期自主学习、在线学习和自适应学习系统的设计与开发。