具身智能Sim-to-Real算法工程师

岗位定位：突破"无本体数据采集"与"零样本真机迁移"技术瓶颈，实现低成本、高效率的虚实贯通，支持跨本体泛化与真实场景快速部署。 岗位职责： 1. 无本体数据采集：研发基于UMI（Universal Manipulation Interface）或可穿戴设备的低成本数据采集方案，实现无需机器人本体的真实世界操作数据获取 2. Real-to-Sim重建：开发基于3D Gaussian Splatting或NeRF的场景重建算法，将真实环境高保真迁移至仿真器，支持自动化数据扩增 3. Sim-to-Real迁移：研究域适应（Domain Adaptation）、域随机化、系统辨识等技术，缩小仿真与真实的性能差距（Reality Gap） 4. 跨本体泛化：开发异构机器人本体间的策略迁移算法，实现零样本或少样本的真机部署 5. 真机验证闭环：设计虚实贯通的训练范式，优化仿真与真实数据配比（如5:1配比下将操作成功率从46.7%提升至93.3%） 任职要求： • 博士或优秀硕士，计算机视觉、机器人学、强化学习、人工智能等相关专业 • 核心技术：精通模仿学习（IL）、强化学习（RL），熟悉ACT、Diffusion Policy、RDT、π0等具身模型架构 • Sim-to-Real经验：深入理解仿真与真实的差异来源，具备域随机化、元学习、域适应的实战经验 • 3D视觉：熟悉3D重建（NeRF/Gaussian Splatting）、SLAM、多传感器融合，具备Real-to-Sim场景重建能力 • 工程落地：精通PyTorch，具备ROS/ROS2部署经验，熟悉模型量化、TensorRT加速与边缘计算优化 加分项： • 有UMI、AR/VR遥操作或低成本数据采集系统的实际开发经验 • 熟悉NVIDIA Warp、Isaac Gym等大规模并行仿真训练框架 • 在CoRL、ICRA、IROS、RSS等顶会发表过Sim-to-Real相关论文 • 具备真实机器人（机械臂/人形机器人）全栈部署与调试经验