理想汽车机器人研发实习生-运动控制-北京

1. 开发基于强化学习方法的运控算法，重点攻关感知运控融合、或通用移动导航（Locomotion+Navigation）算法开发; 2. 进行全身/基座运控模型开发，进行全身动作生成，在通用小脑基座模型方向有创新开发能力； 3. 进行多模态数据集的收集与处理工作； 4. 面向人形机器人交互与部署态场景，开展多模态运控算法/模型预研：融合视觉/语音/文本/触觉等输入，驱动全身动作生成、动作选择与闭环控制； 5. 能够进行动作生成到仿真器执行的全链路工作； 6. 负责运动控制系统的研发, 开发全身力/位控、全身柔顺控制、包括Whole-BodyControl、 Multi-Contact Whole-BodyManipulatio、Mobile-Manipulation； 7. 探索基于GPU加速的搜索、采样、优化方法，探索以上方法和小脑模型深度融合以适应高动态环境 ； 8. 结合前沿发展探索机器人的终极硬件形态，探索基于数据驱动的结构设计和选型。

1. 人形具身控制模型研发：参与人形机器人通用动作控制模型的设计与训练，支持动捕、视频、文本等多模态输入，实现多样化运动能力的统一生成。 2. Sim2Real迁移优化：负责仿真环境到真机的部署调试，优化策略以解决抖动问题，提升新动作 Zero-shot 执行的成功率稳定性。 3. 大小脑协同探索：协助构建 Loco-manipulation一体化解决方案，实现大脑与小脑模型的高效协同。

1. 负责具身大模型的架构设计与算法迭代，探索语言、视觉、动作、触觉等模态的统一建模，研发 VLA / WAM 模型，攻克动作表示、时序预测、多模态对齐等核心算法问题，突破机器人操作的泛化性、长程任务规划及物理交互操作的效率与鲁棒性迁移难题，推动技术方案落地； 2. 负责强化学习算法的研究、设计及实现，解决实际应用中的复杂问题，提升机器人在长程任务和精细操作中的泛化与决策能力； 3. 负责具身大模型的工程化部署，包括模型推理优化、量化加速及系统集成；负责算法在真实机器人平台上的调试与闭环验证； 4. 持续跟踪具身智能、多模态大模型、视频生成等领域最新进展，开展算法复现与创新性研究，形成技术预研与核心技术壁垒。

围绕人形机器人「从智能体到真机落地」的完整链路,参与具身智能软件研发,把多模态智能体的能力工程化地跑在真实机器人本体上,形成「模型—部署—数据」的闭环。具体包括: 1. 具身智能体(Embodied Agent / VLA):多模态大模型、模仿学习/强化学习、任务规划与技能编排; 2. 端侧软件与部署:机器人本体软件系统、端侧推理优化(量化、TensorRT/ONNX)、实时数据链路与调度; 3. 遥操与数据闭环:遥操作采集、真机联调、数据回流与评测。 进来后可结合个人特长与团队节奏,在算法侧或工程侧各有侧重,并在协作中打通整条链路。