{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "【精英实习】机器人算法工程师（规划/控制方向）",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "伏羲机器人",
        "location": "杭州市",
        "work_mode": "未披露",AI生成
        "job_category": "人工智能"AI生成
    },
    "company": {
        "company_name": "网易",
        "company_industry": "互联网 / 游戏 / 数字内容",
        "company_size": "10000人以上",
        "company_website": "netease.com",
        "company_description": "网易提供互联网和游戏服务，并通过有道、网易云音乐、网易严选等业务提供学习、音乐及消费服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 0,
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "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）；\n2、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；\n3、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：\n（1）液压系统时变延迟的在线辨识与自适应补偿；\n（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）；\n（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；\n（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；",
        "requirements_text": "基础要求\n1、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；\n2、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；\n3、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；\n\n液压控制相关\n1、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；\n2、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；\n\n机器学习 & 智能控制相关\n1、具备机器学习/深度学习扎实基础，熟悉 PyTorch/TensorFlow 等主流框架；\n2、有以下一项或多项经验者优先：\n3、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）；\n4、系统辨识 + 神经网络混合建模（如 Physics-Informed Neural Networks、Neural ODE）；\n5、自适应/鲁棒控制与学习方法的融合（L1 自适应、GP-MPC、Meta-Learning 等）；\n6、机器人模仿学习、技能学习落地经验。",
        "skills": [AI生成
            "Python",
            "C++",
            "PyTorch",
            "TensorFlow",
            "机器学习",
            "深度学习",
            "强化学习",
            "嵌入式",
            "建模"
        ],
        "preferred_qualifications": "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；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；2、有以下一项或多项经验者优先：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://hr.163.com/job-detail.html?id=75832&lang=zh"
            }
        ]
    },
    "posting": {
        "posting_id": "75832",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://hr.163.com/job-detail.html?id=75832&lang=zh"
    },
    "fulltext": "【精英实习】机器人算法工程师（规划/控制方向）\n职位描述\n1、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）；\n2、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；\n3、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：\n（1）液压系统时变延迟的在线辨识与自适应补偿；\n（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）；\n（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；\n（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；\n\n职位要求\n基础要求\n1、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；\n2、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；\n3、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；\n\n液压控制相关\n1、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；\n2、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；\n\n机器学习 & 智能控制相关\n1、具备机器学习/深度学习扎实基础，熟悉 PyTorch/TensorFlow 等主流框架；\n2、有以下一项或多项经验者优先：\n3、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）；\n4、系统辨识 + 神经网络混合建模（如 Physics-Informed Neural Networks、Neural ODE）；\n5、自适应/鲁棒控制与学习方法的融合（L1 自适应、GP-MPC、Meta-Learning 等）；\n6、机器人模仿学习、技能学习落地经验。\n1、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）；\n2、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；\n3、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：\n（1）液压系统时变延迟的在线辨识与自适应补偿；\n（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）；\n（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；\n（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；\n基础要求\n1、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；\n2、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；\n3、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；\n\n液压控制相关\n1、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；\n2、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；\n\n机器学习 & 智能控制相关\n1、具备机器学习/深度学习扎实基础，熟悉 PyTorch/TensorFlow 等主流框架；\n2、有以下一项或多项经验者优先：\n3、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）；\n4、系统辨识 + 神经网络混合建模（如 Physics-Informed Neural Networks、Neural ODE）；\n5、自适应/鲁棒控制与学习方法的融合（L1 自适应、GP-MPC、Meta-Learning 等）；\n6、机器人模仿学习、技能学习落地经验。",
    "standard_classification": {
        "std_category_code": "T013",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}