主分类：机器人与自动驾驶算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "运控工程师-实习",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "无人机业务部",
"location": "深圳市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "机器人学、自动化、计算机、力学或相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 参与具身机器人下肢模块的运动控制系统研发，以强化学习为核心技术路线，从仿真训练到真机落地全链路负责，同时深度参与机电系统联调与硬件迭代；\n2.基于深度强化学习（PPO、SAC 等）在 Isaac Gym / Isaac Lab / MuJoCo 等并行仿真环境中训练双足机器人行走策略，覆盖平地行走、启停、转向、抗扰动等基础运动能力，并持续提升运动自然度与鲁棒性；\n3.参与 sim-to-real 迁移工作，通过 Domain Randomization、系统辨识、Teacher-Student（Privileged Learning）等方法缩小仿真与真机动力学差距，确保策略在真实硬件上稳定部署；\n4. 设计奖励函数、课程学习方案与训练框架，具备从零搭建完整 RL 训练流水线的能力，对策略的样本效率、泛化性与运动质量负责；\n5. 参与机电联调，能独立分析关节执行器的力矩-速度特性、驱动器 FOC 参数对控制效果的影响，从控制视角提出硬件改进建议，推动结构与电气方案迭代；\n6. 参与构建高保真仿真模型，完成关节摩擦、电机动力学、接触刚度等参数的标定，缩短仿真与实机的差距；将训练好的策略部署至机载计算平台，完成推理加速与实时控制接口对接，保障策略稳定运行；",
"requirements_text": "1. 机器人学、自动化、计算机、力学或相关专业硕士及以上学历；\n2. 对机电系统有浓厚兴趣，能看懂电机选型参数表、驱动器手册与机械装配图，愿意动手参与联调，不满足于只在仿真层面工作；\n3. 理解深度强化学习核心算法（PPO、SAC、TD3 等），能独立实现训练框架并针对 locomotion 任务进行系统性调优，对训练不稳定、策略退化、sim-to-real gap 等工程问题有丰富的排查经验；\n4. 有 Isaac Gym / Isaac Lab、MuJoCo 或类似并行仿真平台的深度使用经验，能独立完成 URDF/MJCF 建模、仿真环境搭建与大规模并行训练；\n5. 熟悉 sim-to-real 迁移主流方法，包括 Domain Randomization、RMA、Privileged Learning 等，有在真实硬件上完整跑通 RL 策略的经验；\n6. 熟练使用 Python 进行算法开发，具备 PyTorch 或 JAX 实战能力；具备扎实的机器人学基础，理解正逆运动学、雅可比矩阵、刚体动力学，能读懂并复现主流 locomotion 论文；\n 7.具备主动学习与探索AI新工具、新方法的意识，能持续将AI能力融入实际工作场景并独立落地；",
"skills": [AI生成
"Python",
"PyTorch",
"强化学习",
"建模"
],
"preferred_qualifications": "未披露",
"job_highlights": "1.与优秀算法、控制与AI团队深度协作，打造下一代智能机器人产品；\n2.扁平化管理，鼓励技术创新与快速迭代。"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4539538002&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4539538002",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4539538002&jobShareType=1"
},
"fulltext": "运控工程师-实习\n运控工程师-实习\n\n基础信息\n工作地点：深圳市\n部门：无人机业务部\n职位类别：技术类\n职位族群：硬件\n更新时间：2026-06-10\n\n岗位职责\n1. 参与具身机器人下肢模块的运动控制系统研发，以强化学习为核心技术路线，从仿真训练到真机落地全链路负责，同时深度参与机电系统联调与硬件迭代；\n2.基于深度强化学习（PPO、SAC 等）在 Isaac Gym / Isaac Lab / MuJoCo 等并行仿真环境中训练双足机器人行走策略，覆盖平地行走、启停、转向、抗扰动等基础运动能力，并持续提升运动自然度与鲁棒性；\n3.参与 sim-to-real 迁移工作，通过 Domain Randomization、系统辨识、Teacher-Student（Privileged Learning）等方法缩小仿真与真机动力学差距，确保策略在真实硬件上稳定部署；\n4. 设计奖励函数、课程学习方案与训练框架，具备从零搭建完整 RL 训练流水线的能力，对策略的样本效率、泛化性与运动质量负责；\n5. 参与机电联调，能独立分析关节执行器的力矩-速度特性、驱动器 FOC 参数对控制效果的影响，从控制视角提出硬件改进建议，推动结构与电气方案迭代；\n6. 参与构建高保真仿真模型，完成关节摩擦、电机动力学、接触刚度等参数的标定，缩短仿真与实机的差距；将训练好的策略部署至机载计算平台，完成推理加速与实时控制接口对接，保障策略稳定运行；\n\n岗位基本要求\n1. 机器人学、自动化、计算机、力学或相关专业硕士及以上学历；\n2. 对机电系统有浓厚兴趣，能看懂电机选型参数表、驱动器手册与机械装配图，愿意动手参与联调，不满足于只在仿真层面工作；\n3. 理解深度强化学习核心算法（PPO、SAC、TD3 等），能独立实现训练框架并针对 locomotion 任务进行系统性调优，对训练不稳定、策略退化、sim-to-real gap 等工程问题有丰富的排查经验；\n4. 有 Isaac Gym / Isaac Lab、MuJoCo 或类似并行仿真平台的深度使用经验，能独立完成 URDF/MJCF 建模、仿真环境搭建与大规模并行训练；\n5. 熟悉 sim-to-real 迁移主流方法，包括 Domain Randomization、RMA、Privileged Learning 等，有在真实硬件上完整跑通 RL 策略的经验；\n6. 熟练使用 Python 进行算法开发，具备 PyTorch 或 JAX 实战能力；具备扎实的机器人学基础，理解正逆运动学、雅可比矩阵、刚体动力学，能读懂并复现主流 locomotion 论文；\n 7.具备主动学习与探索AI新工具、新方法的意识，能持续将AI能力融入实际工作场景并独立落地；\n\n岗位亮点\n1.与优秀算法、控制与AI团队深度协作，打造下一代智能机器人产品；\n2.扁平化管理，鼓励技术创新与快速迭代。\n1. 参与具身机器人下肢模块的运动控制系统研发，以强化学习为核心技术路线，从仿真训练到真机落地全链路负责，同时深度参与机电系统联调与硬件迭代；\n2.基于深度强化学习（PPO、SAC 等）在 Isaac Gym / Isaac Lab / MuJoCo 等并行仿真环境中训练双足机器人行走策略，覆盖平地行走、启停、转向、抗扰动等基础运动能力，并持续提升运动自然度与鲁棒性；\n3.参与 sim-to-real 迁移工作，通过 Domain Randomization、系统辨识、Teacher-Student（Privileged Learning）等方法缩小仿真与真机动力学差距，确保策略在真实硬件上稳定部署；\n4. 设计奖励函数、课程学习方案与训练框架，具备从零搭建完整 RL 训练流水线的能力，对策略的样本效率、泛化性与运动质量负责；\n5. 参与机电联调，能独立分析关节执行器的力矩-速度特性、驱动器 FOC 参数对控制效果的影响，从控制视角提出硬件改进建议，推动结构与电气方案迭代；\n6. 参与构建高保真仿真模型，完成关节摩擦、电机动力学、接触刚度等参数的标定，缩短仿真与实机的差距；将训练好的策略部署至机载计算平台，完成推理加速与实时控制接口对接，保障策略稳定运行；\n1. 机器人学、自动化、计算机、力学或相关专业硕士及以上学历；\n2. 对机电系统有浓厚兴趣，能看懂电机选型参数表、驱动器手册与机械装配图，愿意动手参与联调，不满足于只在仿真层面工作；\n3. 理解深度强化学习核心算法（PPO、SAC、TD3 等），能独立实现训练框架并针对 locomotion 任务进行系统性调优，对训练不稳定、策略退化、sim-to-real gap 等工程问题有丰富的排查经验；\n4. 有 Isaac Gym / Isaac Lab、MuJoCo 或类似并行仿真平台的深度使用经验，能独立完成 URDF/MJCF 建模、仿真环境搭建与大规模并行训练；\n5. 熟悉 sim-to-real 迁移主流方法，包括 Domain Randomization、RMA、Privileged Learning 等，有在真实硬件上完整跑通 RL 策略的经验；\n6. 熟练使用 Python 进行算法开发，具备 PyTorch 或 JAX 实战能力；具备扎实的机器人学基础，理解正逆运动学、雅可比矩阵、刚体动力学，能读懂并复现主流 locomotion 论文；\n 7.具备主动学习与探索AI新工具、新方法的意识，能持续将AI能力融入实际工作场景并独立落地；",
"standard_classification": {
"std_category_code": "T013",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}