机械臂vla算法工程师岗位职责：1.   机械臂 VLA 模型研发：负责研发基于大模型的机械臂端到端控制算法（VLA），实现从自然语言指令和视觉输入到机械臂**关节角（Joint States）或末端位姿（6-DoF Pose）**的直接映射。2. 精细操作策略设计：针对机械臂的抓取、放置、装配、工具使用等任务，设计具备高泛化能力的生成式动作模型（如 Diffusion Policy 或 Action Chunking）。3. 多模态训练与对齐：负责机械臂数据集的构建与预训练，通过 SFT（指令微调） 和 RLHF/RL（强化学习） 优化机械臂在复杂环境下对模糊指令的理解与长程任务（Long-horizon tasks）的执行能力。4. 手眼协调与空间感知：优化视觉编码器（Vision Encoder），提升模型对于机械臂 3D 空间位置、物体几何属性及触觉/力反馈等多模态信息的融合感知能力。5. 真机部署与协同：与硬件和底座团队协作，解决 VLA 模型在机械臂边缘端的推理时延问题，实现**闭环控制（Closed-loop Control）**下的高频动作输出。6. 前沿技术转化：跟踪 RT-1/2、OpenVLA、DeepSeek-V3 等前沿算法，将其应用于解决机械臂在非结构化环境下的“灵巧操作”难题。任职要求：1. 专业背景：计算机、机器人学、自动化、机械电子等相关专业硕士及以上学历，具有扎实的数学基础（线性代数、空间变换、动力学等）。2. 核心算法能力：精通 Transformer、ViT 等架构，深刻理解 VLM (如 LLaVA) 向 VLA (如 RT-2) 演进的原理。熟练掌握机械臂运动学（正逆运动学）与动力学，熟悉轨迹规划与运动控制算法。3. 大模型实战经验：有大规模多模态数据处理经验，熟悉机械臂操作数据集（如 BridgeData, RT-X, RH20L）。4. 具备生成式模型（Diffusion Models）或多模态强化学习（Multi-modal RL）在机器人动作生成上的实际项目经验。5. 工程实践能力：熟练使用 PyTorch，有极强的代码实现能力，熟悉 ROS/ROS2 机器人操作系统及 MuJoCo/Isaac Gym 等物理仿真环境。6. 熟悉模型量化与加速（如 TensorRT, ONNX Runtime），有模型在嵌入式端（如 Jetson Orin）部署的经验。7. 熟悉开源机器人大模型生态（如 OpenVLA, RT-2, Octo, Pi0），并有实际改进或复现经验。