小鹏汽车具身控制与机器学习算法工程师

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. 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、负责机器人多模态大模型（VLA模型）的工程化落地，包括预训练开发、模型微调、训练优化以及实际效果调优； 2、参与基于大模型的机器决策控制工程化工作，包括训练框架搭建、数据集处理、算力部署，以及在真机上的部署与测试； 3、优化大模型的训练效率以及资源利用率，熟练运用诸如模型并行、Flash Attention、LoRA等技术； 4、负责云端数据处理以及分布式训练落地，优化大模型的多模态任务处理能力； 5、跟进多模态大模型与具身智能的前沿应用进展，负责模型在机器人场景的部署与技术转化。

1. 遥操作系统开发： ‒ 设计并实现机器人遥操作系统的核心功能，包括实时控制、低延迟通信和人机交互模块； ‒ 开发和优化远程控制算法，确保系统的响应速度和精确性。 2. 通讯与数据传输： ‒ 实现高效的远程通信协议（如TCP/IP、UDP、WebRTC），优化数据传输的低延迟和高可靠性； ‒ 处理远程视频流传输、传感器数据融合以及控制信号反馈。 3. 系统集成： ‒ 集成机器人硬件（如机械臂、移动平台、无人机）与遥操作软件模块； ‒ 实现机器人与远程操作终端之间的无缝交互。 4. 人机交互开发： ‒ 开发直观的遥操作界面（GUI）或VR/AR交互系统，提升用户的操作体验； ‒ 设计力反馈、触觉反馈等增强操控感知的功能。 5. 仿真与测试： ‒ 基于仿真工具（如Gazebo、V-REP、Unity）设计并测试遥操作系统； ‒ 在实际场景中测试系统性能，确保其稳定性和可靠性。 6. 系统优化与迭代： ‒ 分析遥操作过程中出现的问题，优化系统性能； ‒ 实现智能化辅助功能（如路径规划、碰撞检测、自动校准等）。 7. 技术文档撰写： ‒ 编写清晰的技术文档，包括设计方案、开发流程和操作手册； ‒ 为团队成员提供技术支持与培训。