网易机器人学习算法研究实习生
任职要求
1、熟练掌握 Python 和主流深度学习框架（如 PyTorch）； 2、具备扎实的机器学习基础，对深度学习、强化学习等相关领域有浓厚兴趣； 3、具备良好的编码能力、解决问题能力和团队协作精神； 4、有模仿学习或强化学习（如 ACT、D…
工作职责
1、参与机器人核心规划控制算法的研究、仿真与实验验证； 2、实现、调优与评估前沿的机器学习算法（如强化学习、模仿学习），并应用于真实机器人场景； 3、负责机器人数据的采集、处理与分析流程，构建数据驱动的算法迭代闭环； 4、协助完成算法在仿真环境及真实机器人平台上的部署与集成测试。
1. 开发基于强化/模仿学习的机器人行走及全身控制策略； 2. 开发复杂地形下基于视觉的强化学习行走策略； 3. 负责算法策略的训练与移植部署，实现算法sim-to-real在机器人实机上落地应用； 4. 持续跟踪国内外前沿研究成果，并进行相关算法复现； 5. 编写相关技术文档，推动团队技术沉淀与知识共享。
1. 研发基于强化学习算法的机器人灵巧操作能力 2. 负责强化学习相关的软件基础平台建设 3. 与控制工程师紧密合作，参与强化学习算法的部署和调试工作 4. 持续跟踪业界最新进展，编写相关技术文档
1、负责挖掘机多自由度机械臂的运动学、动力学建模，设计并实现运动控制算法（轨迹规划、逆运动学求解、力/位混合控制等）； 2、负责液压运动控制系统的轨迹控制器开发、调优、嵌入式移植及产品化落地，解决液压系统固有的响应延迟、非线性、死区特性等控制难题； 3、研究并应用机器学习/深度学习方法融合到传统控制框架中，构建数据驱动或模型混合的智能控制策略，重点攻克以下课题： （1）液压系统时变延迟的在线辨识与自适应补偿； （2）控制特性随油温、负载、磨损等工况变化的鲁棒适应问题（如基于学习的参数自整定、域自适应）； （3）利用强化学习（RL）/ 模仿学习等方法优化挖掘机复杂作业场景下的运动控制策略； （4）搭建仿真-实机闭环验证流程（Sim-to-Real），推动基于学习的运动控制模型从离线训练到实车部署的全链路落地；
1、负责挖掘机多自由度机械臂的运动学、动力学建模，设计并实现运动控制算法（轨迹规划、逆运动学求解、力/位混合控制等）； 2、负责液压运动控制系统的轨迹控制器开发、调优、嵌入式移植及产品化落地，解决液压系统固有的响应延迟、非线性、死区特性等控制难题； 3、研究并应用机器学习/深度学习方法融合到传统控制框架中，构建数据驱动或模型混合的智能控制策略，重点攻克以下课题： 4、液压系统时变延迟的在线辨识与自适应补偿； 5、控制特性随油温、负载、磨损等工况变化的鲁棒适应问题（如基于学习的参数自整定、域自适应）； 6、利用强化学习（RL）/ 模仿学习等方法优化挖掘机复杂作业场景下的运动控制策略； 7、搭建仿真-实机闭环验证流程（Sim-to-Real），推动基于学习的运动控制模型从离线训练到实车部署的全链路落地；