岗位描述 1. 研究并落地多模态输入（视觉、音频、自然语言、传感器信号）的特征提取与融合方法，对特定信号进行垂域分析，如音频节拍/能量/旋律结构提取、视频场景语义理解等； 2. 针对低照度、遮挡、噪声等复杂环境条件，设计鲁棒的感知优化策略； 3. 负责 VLA/序列生成模型在具体执行任务上的算法研究与工程落地，设计多模态条件驱动的动作编排系统，将感知信号映射为结构化的原子动作序列； 4. 构建 SFT/RLHF 训练流程，基于真实反馈持续迭代模型质量，跟踪前沿进展（VLA、Diffusion Policy、世界模型等）并评估引入； 5. 参与 Real2Sim 管线建设，开发模块化场景生成系统，设计强化学习训练环境，优化 Sim2Real 迁移策略； 6. 建立数据飞轮：采集、清洗、标注、扩充，形成持续改进的训练数据体系； 7. 与工程团队协作完成算法到硬件平台的落地调优，对接 ROS2 或车载中间件，保障算法在实时系统中的可靠运行。 任职要求 1. 扎实的深度学习基础，熟悉 Transformer、扩散模型、序列到序列建模等主流架构； 2. 有多模态模型（VLM/VLA/音视频理解）训练或微调经验，能独立完成从数据到上线的完整链路； 3. 熟悉至少一个方向的垂域知识：机器人操作 / 音频信号处理 / 视频理解 / 物理仿真； 4. Python 能力扎实，熟悉 PyTorch；具备基本的后端接口联调能力，能完成算法服务的接口封装与调试； 5. 有机械臂/移动机器人真机实验经验、或音视频特征分析经验、或 Isaac Sim/MuJoCo 等仿真平台经验、或 ROS2 开发经验者优先。