小米顶尖应届-端到端控制算法工程-机器人事业部
任职要求
1.硕士及以上学历，机器人、计算机、人工智能等专业，有相关端到端机械臂控制经验更优； 2.具有机器学习相关项目研究经验，熟悉Mujoco、Isaac Gym等机器人仿真平台，熟悉Linux、ROS等操作系统； 3.掌握模仿学习，强化学习等机器学习领域的基础理论和经典算法，熟悉Pytorch或TensorFlow等机器学习框架，了解大模型相关知识； 4.扎实的C++、Python编程能力，具有较强的自主学习与研究能力。
工作职责
1.负责人形上肢的操作抓取控制算法开发，实现基于神经网络的从感知到关节指令的端到端控制，满足机器人在工厂以及日常场景的作业需求； 2.和大模型相结合，利用语言交互以及视觉，触觉等多模态信息实现在不同应用场景下的功能泛化和长序列动作； 3.参与端到端作业任务的数据采集训练平台的搭建和维护。 【课题名称】 机器人端到端操作算法开发 【课题内容】 基于端到端学习方法的人形机器复杂作业功能开发。
1. 研究并实现适用于自动驾驶场景的强化学习/模仿学习/混合学习策略； 2. 推动策略优化算法在实车数据和仿真数据间的迁移落地； 3. 联合量产团队完成RL策略在真实驾驶系统中的部署与评估。 【课题名称】 基于强化学习的E2E Planning 【课题内容】 致力于通过强化学习范式建立从视觉输入到控制输出的直接路径，强调在长期决策、稀疏奖励、环境反馈闭环中建模agent的真实驾驶行为。探索强化学习在自动驾驶E2E系统中的策略稳定性、泛化性与数据效率。
1. 研究并实现适用于自动驾驶场景的强化学习/模仿学习/混合学习策略； 2. 推动策略优化算法在实车数据和仿真数据间的迁移落地； 3. 联合量产团队完成RL策略在真实驾驶系统中的部署与评估。 【课题名称】 基于强化学习的E2E Planning 【课题内容】 致力于通过强化学习范式建立从视觉输入到控制输出的直接路径，强调在长期决策、稀疏奖励、环境反馈闭环中建模agent的真实驾驶行为。探索强化学习在自动驾驶E2E系统中的策略稳定性、泛化性与数据效率。
1. 设计适用于自动驾驶任务的Diffusion-based行为生成模型，涵盖轨迹预测、控制输出、长时规规划； 2. 研究基于图像和高维环境语义输入的扩散过程，支持条件生成与多模态控制分布建模； 3. 推动该方向模型从仿真到实车的部署，包括实时性优化、鲁棒性评估与反馈机制构建。 【课题名称】 Diffusion-based Nueral Planner 【课题内容】 探索扩散生成模型在端到端自动驾驶规划中的泛化能力和多模态决策潜力。以感知输入（图像、BEV等）直接生成控制信号（steering, acceleration），或隐式轨迹规划中间表示，构建具备不确定性建模、多样性采样和高分辨率行为预测能力的决策系统。参考如DiffPlan、MotionDiffuser、Wayformer+Diffusion等工作，推动视觉到控制的生成式范式演进。
1. 设计适用于自动驾驶任务的Diffusion-based行为生成模型，涵盖轨迹预测、控制输出、长时规规划； 2. 研究基于图像和高维环境语义输入的扩散过程，支持条件生成与多模态控制分布建模； 3. 推动该方向模型从仿真到实车的部署，包括实时性优化、鲁棒性评估与反馈机制构建。 【课题名称】 Diffusion-based Nueral Planner 【课题内容】 探索扩散生成模型在端到端自动驾驶规划中的泛化能力和多模态决策潜力。以感知输入（图像、BEV等）直接生成控制信号（steering, acceleration），或隐式轨迹规划中间表示，构建具备不确定性建模、多样性采样和高分辨率行为预测能力的决策系统。参考如DiffPlan、MotionDiffuser、Wayformer+Diffusion等工作，推动视觉到控制的生成式范式演进。