影石自动化机械工程师（A）
任职要求
1、本科及以上学历，机械相关专业，有自动化机械系统研发经验优先；
2、掌握常见材料成型工艺及设计要求，熟练至少1种设计软件，具有运用仿真工具开展研究经验的优先考虑；
3、善于洞察产品痛点及潜在需求，有强…工作职责
1、熟悉消费电子制造的核心痛点，并且能够根项目需求输出创新自动化解决方案； 2、负责自动化方案设计、评估、落地，并且制定技术规范、验收标准等； 3、熟悉智能制造领域发展趋势，能够引进业界最先进技术，解决产品存在的疑难问题； 4、能够收敛工艺设计规范，并且搭建自动化组装、测试平台，并推动落地；
-与业内经验丰富的自动驾驶算法工程师一起负责决策规划算法研发工作 -负责障碍物决策算法的数据挖掘、样本标注、研发调试、效果追踪等工作 -负责自动驾驶决策算法、轨迹规划算法的研发调试、上线部署、效果追踪等工作 -调研业内先进算法，优化自动驾驶轨迹规划的灵活性、稳定性和智能性 -完成相关算法的开发和验证，保证算法的鲁棒性和计算性能
-与业内经验丰富的自动驾驶算法工程师一起负责决策规划算法研发工作 -负责障碍物决策算法的数据挖掘、样本标注、研发调试、效果追踪等工作 -负责自动驾驶决策算法、轨迹规划算法的研发调试、上线部署、效果追踪等工作 -调研业内先进算法，优化自动驾驶轨迹规划的灵活性、稳定性和智能性 -完成相关算法的开发和验证，保证算法的鲁棒性和计算性能
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. 开发并优化货架容器 2D/3D 识别、定位与姿态估计算法，输出高鲁棒抓取位姿。 2. 机械臂运动学/动力学建模及逆解求解；轨迹规划与实时优化算法，抓取策略及柔顺控制算法开发。 3. 研发手眼标定、闭环视觉伺服与多传感器融合算法。 4. 引入并部署基于Autoregressive/Diffusion Models/VLA的端到端具身智能模型（如 RT series、π0、octo）。 5. 探索 Diffusion Policy、Imitation Learning、Reinforcement Learning等前沿方法，实现从视觉到动作的自监督或弱监督学习。 6. 搭建大规模数据采集、自动标注和自回放管线（Data Flywheel），持续迭代模型并进行线上 A/B 性能监控。 7. 与运动控制、系统集成团队密切协作，完成算法量化部署、边缘推理加速及实时监控告警。