荣耀机器人感知规划算法仿真专家

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。

1.负责具身智能AI感知算力硬件子系统的方案设计和可行性验证， 2.负责具身智能感知传感器选型和可行性验证， 3.负责系统硬件需求拆解，输出硬件设计详细需求和详细设计方案并组织评审 4.负责芯片、模组以及电子元器件选型，评估供应商芯片供应、市场应用、量产时间、成本、交期和demo性能测试验证 5.负责高速数字电路和模拟电路原理图和PCB布局布线设计和评审，具备信号完整性和电源完整性理论和仿真能力，保证硬件性能满足产品要求 6.负责pcba的工厂生产对接，单板硬件bringup调试，信号测量和功能性能调试，信号物理层一致性测试和SI/PI测试 7.负责单板和整机环境温度、EMC辐射传导、震动冲击、盐雾、ip防护、寿命耐久、压力测试等测试要求编写和测试计划规划，解决测试中遇到的硬件和包括软件、结构、热等系统性问题 8.协同造型、软件，算法，结构，热，系统等同事完善硬件设计和组织评审，完成单板和系统在DV/PV测试中问题解决，确保高质量交付 9.负责产线试产量产测试工作，规划产线测试流程和测试要求，如ICT/FCT/ATS/老化等技术规范，配合产线落实测试量产爬坡，解决产线测试不良和量产售后不良问题分析

我们正在寻找一位深刻理解自动驾驶与人类驾驶行为的导航产品专家。你将跳出传统导航的框架，深度参与并主导面向下一代“导航”产品体验构建。这不再是简单的“路线指引”，而是提供“驾驶决策”的智能大脑。以更安全、更高效、更类人的驾驶体验为核心，通过定义“导航即规控”的创新范式，驱动行业领先的智驾级人车共驾AI领航（手机端） 核心职责 1. 产业洞察与产品架构设计： 系统性地解构自动驾驶中的“导航”价值链，深刻理解用户在不同智驾场景下（如城区领航、高速NOA等）对路线规划、驾驶行为、人机共驾的核心诉求。精准识别传统导航在自动驾驶时代的局限性与技术瓶颈，前瞻性地设计面向机器的“可行驶”路径规划与“类人”驾驶策略，构建从云端全局路线到车端车道级引导的导航产品矩阵、技术路线图与商业模式； 2. 驾驶知识与数据生态建设： 构建以“驾驶行为数据”为核心的知识图谱与数据闭环。挖掘并提炼“老司机”在复杂路况下的驾驶知识与路线偏好（如变道时机、路口博弈、路线选择倾向等）。构建仿真场景库，反哺云端规划引擎与引导模型，打造可学习、可进化的导航决策大脑； 3. 驱动技术产品化与规模化落地： 践行从算法原型到业务全生命周期落地管理，将复杂的导航决策模型、路线规划算法、高精/标精地图融合技术，封装为可被AI领航清晰调用的“导航解决方案”，确保导航策略能够以“更安全、更舒适、更高效”的方式在手机端规模化落地AI领航产品。

1、研发机器⼈视觉-语⾔多模态⼤模型算法⽅案，负责基于 VLM/VLA/VLN等机器⼈领域多模态算法的技术研究与落地； 2、构建传统规划与强化学习方法结合进行导航的能力，提升动态变化环境下，目标检测、语义分割等任务的仿真精度； 3、构建具备高保真的静态环境（物理属性、纹理等）、动态环境场景（如光照变化、动态障碍物），验证和优化感规控算法的鲁棒性。