岗位职责
1. 强化学习训练与真机部署：基于Isaac Gym/Lab、MuJoCo等平台，设计和训练灵巧手的操作策略，包括物体抓取、手内旋转、重定向、工具使用等精细操作任务，主导从仿真训练到真机部署的全流程打通。
2. 传统控制算法开发与融合：开发灵巧手的运动学建模与逆解求解、力位混合控制、阻抗/导纳控制等传统控制算法，并将其与强化学习策略融合，在关键环节（如抓取初始对准、力阈值保护、奇异位形规避）用传统方法兜底或引导，提升策略的稳定性与安全性。
3. 触觉感知与触觉反馈控制：开发基于触觉传感器的力反馈控制算法，实现触觉信号在操作策略中的实时融合，提升灵巧手在接触任务中的自适应能力和操作鲁棒性。
4. 多接触问题建模与求解：处理灵巧操作中的多指接触、多点接触、物体与环境耦合接触等复杂接触问题，优化接触力分配与稳定性控制策略。
5. Sim-to-Real 迁移与域适应：设计域随机化参数、系统辨识方案与仿真参数微调策略，缩小仿真与真机之间的gap，提升策略在真机上的零样本或少样本迁移成功率。
6. 真机调试与系统联调：主导灵巧手+机械臂的联合真机调试，解决真机部署中的力控抖动、抓取失败、接触不稳定等实际问题，迭代优化策略性能。
任职要求
1. 硕士及以上学历，机器人、自动化、计算机、机械电子等相关专业。
2. 精通强化学习（PPO/SAC/DRL），具备独立设计奖励函数、训练管线与策略调优的能力。
3. 扎实的传统控制基础：熟悉机器人运动学/动力学建模、力位混合控制、阻抗/导纳控制，并能将其与RL策略结合使用。
4. 有完整的sim2real迁移项目经验，理解域随机化、系统辨识等关键技术。
5. 有真机操作调试经验，能独立完成从仿真训练到真机部署的闭环。
6. 熟练使用Python/C++，熟悉PyTorch框架。
7. 熟悉Isaac Gym/Lab或MuJoCo平台。
加分项
1. 有触觉传感器数据处理与控制融合经验。
2. 有多接触问题的仿真或控制经验（如多指抓取、双手操作、物体与环境耦合接触）。
3. 有灵巧手标定或力传感器标定经验。
4. 在IROS、ICRA、CoRL、RSS等发表过灵巧操作相关论文。