安克创新机器人平台仿真算法工程师（博士）
任职要求
职位要求 1.计算机科学、人工智能、自动化、机器人、电子信息等相关专业硕士及以上学历，具备扎实的机器人学理论，计算机视觉知识，了解基本图形学、物理引擎及渲染管线； 2.熟悉主流3D重建技术，如NeRF/3DGS/SfM/MVS等；熟悉DUSt3R/VGGT等相关算法； 3.至少熟悉一种机器学习/深度学习框架，如 PyTorch、TensorFlow 等，具备强化学习基础知识； 4.优秀的编程能力，熟练掌握Pyth…
工作职责
职位描述： 1.核心算法研发：参与机器人平台视觉与物理仿真系统的算法开发，包括但不限于基于3DGS的三维重建、生成式重建、逆渲染和相关物理仿真算法的设计和实现； 2.评测与优化：在仿真场景工作流中集成算法成果，对性能和真实度进行评测及优化，实现算法的迭代升级； 3.实际业务落地：基于Isaac Sim仿真平台开发，实现机器人运动/动力学建模，优化仿真系统性能，参与渲染引擎及其他研发团队密切协作，支持业务落地，解决实际场景的技术问题，共同推进平台能力研发； 4.前沿技术探索：关注计算机视觉、3D重建、生成式AI及物理世界模型相关领域最新的学术研究成果，并进行调研、验证和应用，推动公司在该领域的技术创新。
1. 负责 高保真仿真场景重建算法和工具开发; 2. 负责 仿真场景数字孪生建设和仿真场景泛化能力建设; 3. 负责 仿真环境Mesh渲染优化、Mesh自动化补全算法开发; 4. 负责 3D资产/场景自动化导入仿真平台，物理属性自动识别工具开发。 【课题名称】 仿真场景高精细度重建 【课题内容】 针对机器人的操作和导航场景, 开发高保真的仿真场景重建算法和工具链, 具体包含: 1. 仿真场景视觉高保真重建 2. 仿真资产物理属性自动还原 3. 资产自动化导入仿真平台, 自动化补全Mesh 4. 仿真环境Mesh渲染优化
1、开展灵巧手机械臂操作方向的前沿算法研究，包括可泛化端到端操作、Sim-to-Real、Vision-Language-Action（VLA）模型等； 2、跟踪最新研究成果，设计和维护数据-算法闭环系统，实现高效迭代优化； 3、协同硬件与工程团队，推动机械臂创新应用的落地与展示； 4、输出高质量专利与学术论文，提升团队在机器人操作领域的影响力。
职位概述 我们正在寻找在视觉-语言-动作（Vision-Language-Action, VLA）领域具有扎实理论基础和丰富实践经验的算法工程师或研究员，致力于构建下一代通用智能机器人系统。你将参与从数据构建、模型设计到仿真训练与实机部署的全链路研发，推动 VLA 大模型在机械臂操作、人形机器人控制等复杂工业与开放场景中的前沿探索与实际落地。 职位描述（Responsibilities） 1. 前沿算法研究与复现 ○ 跟踪 VLA 领域最新进展（如 OpenVLA、RT-2、Pi0、RDT、Diffusion Policy 等），完成 SOTA 算法在仿真与实机环境下的复现与性能分析； ○ 探索基于大模型的端到端机器人决策框架，实现感知→理解→规划→动作的闭环。 2. VLA 模型架构设计与优化 ○ 设计面向工业场景的 VLA 模型结构，重点解决多模态特征对齐、动作序列生成、推理效率优化等问题； ○ 提升机械臂在复杂任务中的操作精度、泛化能力与鲁棒性。 3. Scaling 研究与泛化能力提升 ○ 开展 VLA 的 scaling law 研究，涵盖数据规模、模型结构、机器人构型等维度； ○ 实现长序列任务执行、跨任务技能迁移与动作泛化，在更复杂的工厂或开放环境中验证模型上限。 4. 数据系统与自动标注开发 ○ 参与多模态大模型所需的数据清洗、自动标注与增强系统的开发； ○ 探索高效的数据合成方法（如 sim2real 数据生成、LLM 辅助标注），保障数据质量与多样性。 5. 仿真训练与真实部署 ○ 基于 Isaac Sim / Gym / Lab、MuJoCo 等平台搭建高保真仿真环境，构建强化学习与模仿学习训练框架； ○ 设计 real2sim2real 迁移策略，加速算法从仿真到现实世界的部署； ○ 具备实机调试经验，能独立完成模型在机械臂或人形机器人上的部署与迭代。
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。