机器人强化学习运控算法实习生

运动控制策略研发：运用强化学习开发双足人形机器人全身运动控制策略，并通过泛化技术提升策略在真实环境中的适应性。

仿真与现实迁移（Sim2Real）：系统辨识，设计多样化训练场景与域随机化策略，并研发自适应方法缩小仿真与实机差距。

算法部署与协同：将算法部署至实体机器人进行调试优化，并与机械、驱动团队协作解决系统协同问题。

强化学习规划策略研发：开发基于强化学习的自主导航与避障策略，实现机器人在复杂非结构化环境下的智能路径规划与运动控制。

2027年及以后毕业，可以连续实习四个月及以上，自动化、机器人、人工智能等相关专业硕士/博士在读。

深入理解强化学习算法（如PPO、SAC），熟练使用相关框架。

具备机器人运动学、动力学基础，熟悉isaacsim/mujoco仿真器。

具备优秀的C++/Python编程能力。 【加分项】 · 有实机调试经验。 · 在机器人顶级会议/期刊发表过相关论文。 · 在权威机器人比赛中取得优异成绩。