机器人算法实习生（规划/控制方向）

职位描述

1、负责挖掘机多自由度机械臂的运动学、动力学建模，设计并实现运动控制算法（轨迹规划、逆运动学求解、力/位混合控制等）；

2、负责液压运动控制系统的轨迹控制器开发、调优、嵌入式移植及产品化落地，解决液压系统固有的响应延迟、非线性、死区特性等控制难题；

3、研究并应用机器学习/深度学习方法融合到传统控制框架中，构建数据驱动或模型混合的智能控制策略，重点攻克以下课题：

（1）液压系统时变延迟的在线辨识与自适应补偿；

（2）控制特性随油温、负载、磨损等工况变化的鲁棒适应问题（如基于学习的参数自整定、域自适应）；

（3）利用强化学习（RL）/ 模仿学习等方法优化挖掘机复杂作业场景下的运动控制策略；

（4）搭建仿真-实机闭环验证流程（Sim-to-Real），推动基于学习的运动控制模型从离线训练到实车部署的全链路落地；

任职要求

基础要求

1、硕士及以上学历，机器人学、自动化/控制工程、机械工程、计算机科学、数学/应用数学等相关专业，工程基础扎实，代码能力优秀；

2、具备机器人运动学、动力学、经典控制理论（PID、MPC、自适应控制等）的扎实基础，有工业或工程机械臂实际项目开发经验；

3、熟练掌握C/C++及Python编程，熟悉机器人操作系统（ROS/ROS 2），具备嵌入式或实时控制系统开发经验者优先；

液压控制相关

1、有液压伺服/比例控制系统开发经验，了解液压阀、泵、油缸的特性建模及系统辨识方法；

2、熟悉液压系统非线性建模、延迟补偿、温度/工况漂移标定等工程问题者优先；

机器学习 & 智能控制相关

1、具备机器学习/深度学习扎实基础，熟悉 PyTorch/TensorFlow 等主流框架；

2、有以下一项或多项经验者优先：

3、强化学习（RL）在机器人控制中的应用（Sim-to-Real、SAC/PPO 等算法实践）；

4、系统辨识 + 神经网络混合建模（如 Physics-Informed Neural Networks、Neural ODE）；

5、自适应/鲁棒控制与学习方法的融合（L1 自适应、GP-MPC、Meta-Learning 等）；

6、机器人模仿学习、技能学习落地经验。