高德地图高德-机器人控制专家-具身智能硬件方向-视觉团队
任职要求
1、学历与经验： -机器人学、控制科学与工程、机械电子工程、自动化或相关专业，硕士及以上学历； -在知名机器人公司或智能硬件企业拥有5年及以上全职研发经验，3年以上机器人运动控制或相关领域技术团队管理/核心骨干经验； -具备成功的机器人产品（尤其是移动机器人平台）量产落地经验，主导或深度参与过从0到1开发并最终实现规模量产的项目。 2、核心专业能力 - 机器人运动控制： -深入掌握机器人运动控制核心理论：包括但不限于多体动力学建模与分析、运动学规划、实时动力学控制、状态估计、伺服驱动控制； -拥有扎实的机器人机构设计、执行器（电机、减速器等）选型与应用、传感器（IMU, 编码器, 力传感器等）融合方面的工程实践基础； -具备丰富的复杂环境下（室内/室外、非结构化地形）机器人运动控制算法（如步态控制、平衡控制、路径跟踪）的研发、调试与部署经验。 3、核心专业能力 - 硬件系统工程：…
工作职责
1. 主导具身智能机器人（不限于四足/人形/物流设备等）的系统架构设计及核心器件选型： 全面负责机器人本体硬件平台（结构、电驱、传感器系统）及运动控制系统的顶层设计、技术路线制定与关键器件评估选型； 2. 以具身AGI为技术导向，领导硬件与控制研发： 聚焦解决大空间、复杂室内外场景下的机器人高动态移动控制、鲁棒导航及自然人机交互等核心挑战，推动高性能硬件与控制算法的协同创新与工程落地； 3. 驱动端到端视觉-语言-动作（Vision-Language-Action）算法在机器人平台的集成与量产化：与算法团队协作，实现端到端VLA模型在机器人的高效部署、实时推理及性能优化，构建支撑算法迭代的闭环数据系统（数据引擎与数据飞轮）； 4. 引领技术前沿与构建影响力： 持续跟踪并研判行业前沿技术方案（硬件、控制、感知与AI融合），主导具身智能软硬件协同的核心技术攻关，并通过开源、顶会论文、专利等方式建立并提升团队的技术领导力与行业影响力。
1. VLA模型架构创新与研发： 主导机器人视觉-语言-动作（VLA）大模型的架构设计、算法研发与实现，攻克多模态特征高效对齐、动作序列生成与推理优化等关键技术，显著提升模型在机器人操作、自动驾驶等复杂任务中的端到端执行能力； 2. 机器人多模态智能系统构建： 设计并实现融合视觉、语言与动作信号的联合训练框架，研发基于Transformer或扩散模型的跨模态交互与理解机制，提升模型在动态复杂环境下的语义理解、情境推理与决策能力； 3. 模型高效部署与优化： 面向具身智能硬件平台（如机械臂、移动机器人），深度优化VLA模型的实时推理性能，运用算子融合、量化压缩、模型剪枝等前沿技术，实现模型在边缘设备的高效、低延迟部署； 4. 跨模态数据闭环体系搭建： 构建面向具身智能的大规模、高质量数据采集、增强与标注系统，开发仿真验证工具链，建立数据驱动的模型迭代闭环，持续提升VLA模型在真实场景下的鲁棒性与泛化能力。
主导具身硬件本体设计及核心器件选型，包括但不限于机械结构、电机系统、传感器模块等，与内部产研团队和外部供应商配合，推动形成完整的硬件产品并实现规模量产。
1. 具身智能大模型研究与优化 (1) 研究和构建具身智能大模型（Embodied Foundation Models）与机器人大脑。 (2) 探索语言、视觉、动作等多模态融合机制（VLM / VLA / VLA-Agent）。 (3) 优化模型的长时记忆、推理能力与可泛化性。 2. 机器人智能算法研发 (1) 设计和实现机器人多模态感知、导航、操作、交互等核心算法模块。 (2) 推进大模型驱动的机器人任务规划与决策。 (3) 基于模拟器与真实世界数据，进行大规模对齐与强化学习（Sim2Real, RLHF, Imitation Learning）。 3. 系统落地与协同研发 (1) 与硬件与系统团队协作，推动模型算法在真实机器人平台上的部署与性能调优。 (2) 支撑具身智能大模型的云端训练体系、数据闭环与MLOps工程。 (3) 发表高水平论文或申请相关专利，推动业界与学界前沿研究。
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。