1、熟练 Python、PyTorch，具备模型复现、微调、训练调优经验；了解 Docker 工程化开发，具备 C++ 开发、分布式训练、模型推理加速经验优先。2、熟悉 ROS/ROS2、Isaac Gym、Mujoco 至少一种机器人仿真平台，具备机械臂真机调试、多传感器对接实操经验。3、能够独立完成数据集构建、预处理脚本开发，具备实验设计、问题定位、技术文档撰写能力。4、具备良好团队协作能力，可开展课题攻关，推动算法从仿真向工业真机落地转化。围绕公司工业机器人智能化升级需求，突破3D视觉感知、具身多模态大模型、机器人视觉‑动作协同、虚实融合评测等核心技术瓶颈，提升工业机器人、轨旁检测装备智能化水平，开展技术攻关与成果转化。主要工作方向：1.具身多模态模型训练体系与理论研究。面向VLA/VTLA等多模态具身大模型核心瓶颈，研究模仿学习机制下机器人视觉-语言-动作协同对齐理论，自主设计、搭建可迭代、可复用的标准化训练科研体系，攻克分布式训练稳定性、多模态数据高效吞吐、模型推理一致性等关键技术问题，支撑前沿具身模型的创新性研究与实验验证。2.前沿具身视觉算法创新与性能机理研究。围绕Diffusion Policy、RT-2、OpenVLA等主流具身智能框架，开展算法底层原理剖析、结构优化与创新设计；针对工业机器人作业场景痛点，研究算法性能优化机理，从网络结构、训练策略、推理机制维度突破显存占用高、推理延迟高、泛化性差等技术难题，形成自主化、可落地的创新算法体系。3.机器人多模态具身数据理论与体系研究。针对机器人图像、力觉、触觉、关节位姿、语言指令、动作轨迹等多源异构数据，研究多模态数据融合、时序对齐、质量评估核心理论，构建适配具身智能任务的自动化清洗、智能扩增、标准化标注的数据闭环科研体系，解决工业场景数据噪声大、有效样本稀缺、模态不匹配的行业难点。4.虚实融合分层评测理论与标准化体系构建。针对具身模型虚实迁移不一致问题，研究离线仿真、数字孪生、真机实测三层场景的评测对齐机理，建立科学化、量化的模型性能评估指标体系，搭建模型迭代对比、版本溯源、性能对标机制，为具身算法迭代优化提供理论依据与标准化评测支撑。5.工业场景具身智能视觉融合创新与应用研究。面向工业抓取、智能焊接等典型机器人作业场景，研究视觉感知与机器人控制的深度融合机理，攻克真机部署适配、动作协同调控、安全容错决策等核心科研问题；通过场景实证验证算法可行性与先进性，复盘技术短板，迭代优化具身视觉算法体系，形成适配工业场景的原创性科研成果。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录