工作职责： 1. 负责将开源人体动作数据集（如 AMASS、BVH/视频估计结果等）重定向到公司人形机器人本体，建立从“人体动作表示”到“机器人关节动作表示”的完整流程。 2. 调研、复现并优化主流开源动作重定向方案，包括但不限于 GMR、PyRoki，OmniRetarget, human2humanoid、PHC/ProtoMotions 相关流水线、NVIDIA soma-retargeter，结合公司机器人结构和关节定义进行二次开发。 3. 构建面向不同机器人本体的 retargeting 工具链，包括 URDF/MJCF/Isaac/自定义模型接入、坐标系统一、关节映射、根节点轨迹处理、接触与平衡约束处理、输出动作格式标准化。 4. 与控制/ 强化学习/ 模仿学习团队协作，将重定向后的动作数据用于 motion tracking、AMP、模仿学习、遥操作数据回放或 sim2real 数据准备。 5. 负责评估重定向质量，包括姿态误差、足端/手端轨迹一致性、动态可行性、接触合理性、关节限位与自碰撞检查，以及对下游策略训练效果的影响。 6. 探索从单目视频/人体姿态估计结果到机器人动作的自动化流程, 支撑从公开视频或人体动作数据到机器人可执行轨迹的转换。 任职资格： 1. 机器人、自动化、计算机、数学、力学等相关专业硕士及以上，优秀本科亦可。 2. 熟悉机器人运动学/刚体变换/坐标系/四元数/关节约束/逆运动学，能够独立完成人形机器人关节映射与动作转换。 3. 具备人体动作重定向相关经验，做过以下至少一类工作： * 从 AMASS / SMPL / SMPL-X / BVH 等数据到机器人动作的离线重定向； * 从视频人体姿态估计结果到机器人动作的在线或离线重定向； * 将重定向结果接入模仿学习、运动跟踪、遥操作或 motion prior 训练流程。 * 会使用 RME robot motion editor 对机器人重定向数据进行帧级修改。 4. 了解或使用过 GMR，理解其面向多种 humanoid 的通用重定向思路；同时看过或复现过至少 1–2 个开源项目，如 human2humanoid、ASAP、ProtoMotions、soma-retargeter 等。 5. 熟练使用 Python，具备较强的工程实现能力；熟悉 Isaac/ MuJoCo/ Warp 等工具者优先。 6. 熟悉人形机器人仿真与学习框架者优先，如 Isaac Lab、MuJoCo、ProtoMotions、RSL-RL、AMP/模仿学习相关框架。 7. 能处理真实工程问题，包括： * 机器人 URDF/MJCF 适配； * 动作序列清洗、补帧、重采样； * 根轨迹漂移、足滑、接触穿透、自碰撞、关节越限等问题修复； * 不同数据格式之间的互转（pkl / npy / csv / bvh 等）。 * 面向场景交互任务的接触保持、空间关系约束建模，以及 interaction-preserving retargeting 数据生成。 加分项 1. 有 SMPL/SMPL-X/SOMA 相关经验，或做过人体参数模型拟合、关键点对齐、视频人体姿态估计。 2. 有人形机器人 motion tracking / imitation learning / AMP / teleoperation 经验。 3. 有将开源动作数据迁移到自定义 humanoid 本体的实战经验，而不是只会跑通公开示例。 4. 有论文、开源项目或高质量技术博客输出。 5. 有 sim2real、全身控制、接触动力学约束处理经验。 我们希望你解决的问题 1. 让公司的人形机器人快速复用开源动作资产，而不是每个动作都从零采集。 2. 建立统一的动作重定向与质量评测基线，支撑后续模仿学习、tracking controller、遥操作和数据生产。 3. 针对不同机器人形体差异，沉淀可复用的通用 retargeting 工具链和数据标准。