具身智能算法实习生（运控仿真与系统设计方向）-2027届

1. 机器人建模与仿真平台开发

• 负责人形机器人系统级建模与仿真，建立整机运动学、动力学、执行器及接触模型，支撑硬件架构设计、样机开发与运动能力评估。
• 基于 MuJoCo、Isaac Sim / Isaac Lab 等平台，开发机器人仿真环境、运动控制接口及自动化评测工具，提高方案评估与设计迭代效率。
• 建模并分析关节摩擦、传动柔性、执行器响应、控制延迟及接触特性等因素，根据硬件设计与能力验证需求持续优化模型。

1. 面向硬件架构设计的运动控制与仿真评估

• 在机器人概念设计与样机开发阶段，构建典型任务与运动控制策略，对自由度配置、关节布局、连杆尺寸、运动范围及质量分布等方案开展动态评估。
• 基于任务执行过程中的关节力矩、转速、功率、运动范围及接触载荷，提取硬件设计需求与典型载荷谱，支撑关节选型、传动设计及整机架构优化。
• 研究硬件参数与运动性能之间的关系，分析任务可达性、负载能力、运动稳定性及能耗等指标，识别架构瓶颈与关键设计取舍。

1. 基于强化学习的硬件能力探索

• 面向行走、蹲起、负载搬运、抗扰恢复及上下肢协调等任务，开发用于硬件评估的强化学习运动策略，探索不同构型与硬件配置下的可达运动能力。
• 负责训练环境搭建、观测与动作空间设计、奖励函数设计及训练调优，将关节运动范围、力矩—转速特性、控制延迟等真实硬件约束纳入训练与评估。
• 结合课程学习、域随机化及动作重定向等方法，逐步拓展任务难度与工况范围，识别限制性能的硬件因素，为硬件改进和能力提升提供依据。

1. Real2Sim2Real 闭环与系统辨识

• 基于关节台架与整机测试数据，开展动力学参数辨识、模型标定及仿真—实测一致性分析，提升仿真对硬件行为的预测能力。
• 针对惯性参数、关节摩擦、执行器动态、控制延迟及接触参数开展实验设计与辨识，将辨识结果及参数不确定性反馈至仿真模型与训练配置。
• 推进评估策略的跨仿真器验证与实机验证，结合测试结果区分硬件约束、控制策略局限及模型误差，形成模型、策略与硬件设计的迭代闭环。

1. 样机能力验证与硬件优化

• 设计样机运动能力测试方案，围绕负载、速度、动作幅度、稳定性及连续作业能力等维度，开展分级测试与能力边界验证。
• 分析典型动作及高负荷工况下的关节输出、结构载荷、能耗与温升约束，定位硬件性能瓶颈，提出可验证的优化建议。
• 建立不同硬件版本的统一评测工况与评价指标，沉淀动作库、载荷谱和已验证的能力范围，支撑设计评审、样机迭代及硬件规格制定。

1 . 研究生及以上学历，机器人工程、自动化、机械工程、计算机科学等相关领域专业或等同实践经验。 2. 扎实的机器人学基础，包括几何学、线性代数、多元微积分、运动学、动力学、概率论、统计学和控制理论等。 3. 具有机器人系统的实际工作经验，拥有高自由度（DOF）机器人系统、冗余自由度和多控制目标经验者优先。 4. 熟练使用 Python，具备 C++ 开发能力；熟悉 MuJoCo、Isaac Sim / Isaac Lab 等至少一种机器人仿真平台。 5. 具备机器人运动控制或强化学习项目经验，能够构建用于本体设计评估与运动能力验证的控制策略。 6. 熟悉 PyTorch 及 PPO 等常用强化学习算法，具备训练环境开发、奖励设计、训练调优及策略评估能力。 7. 理解机器人构型、质量分布、关节运动范围及执行器特性对整机性能的影响，能够将仿真与测试结果转化为硬件设计建议。