1、具身模型端侧部署 -负责 VLM、VLA 等深度学习模型在 NVIDIA Jetson Orin 等嵌入式 GPU 平台上的部署与适配； -完成 PyTorch → ONNX → TensorRT 等模型转换、算子适配及部署流程； -解决模型部署过程中出现的算子不支持、显存占用、精度差异等问题。 2、模型推理优化与量化 -基于 TensorRT 对模型进行 INT8 / NVFP4 等推理优化与量化； -分析模型不同模块的 latency、GPU utilization、显存占用等性能瓶颈； -根据实际需求进行算子融合、CUDA Graph、异步执行、内存复用等优化，提升端侧推理效率。 3、 VLA 推理架构设计与实现 -参与机器人端 VLA 推理 pipeline 的设计，包括视觉输入、VLM 推理、Action Decoder / Policy 推理以及机器人控制接口； -针对 VLM 与低层控制频率不同的问题，设计合理的异步推理、缓存与任务调度机制； -优化 Sensor → Model → Action → Robot 整条链路的端到端延迟与稳定性。 4、真机集成与性能测试 -将模型推理模块接入真实机器人系统，与相机、机械臂控制及 ROS / ROS2 等模块完成联调； -建立端侧 benchmark，持续跟踪端到端 latency、FPS、显存、功耗及稳定性； -配合算法同学定位模型在真机环境中的部署问题。