1. 参与VLA（Vision-Language-Action）模型的预训练架构设计与优化：基于现有VLM增强空间理解和推理能力，或探索视觉-动作对齐的预训练方案，提升模型细粒度空间理解和泛化能力；研究视频、文本、机器人动作数据的高效表征学习和对齐方法，优化模型性能、推理效率与数据效率 2. 开发大规模机器人数据的训练pipeline，包括数据收集、处理、增强和高效加载，构建仿真（MuJoCo、Isaac Sim等）与真实场景结合的评测验证链路，建立标准化benchmark和性能指标体系 3. 负责机器人运动控制层的设计与开发，结合传统控制方法（模型预测控制、轨迹优化等）和基于强化学习的运动控制方案，实现VLA模型输出到机器人高精度、高频率执行的高效衔接；研究并实现双臂协调、柔顺控制、阻抗控制、力控制等控制方法，探索传统控制与强化学习控制的融合方案 4. 负责真机系统集成、行为验证和在环测试，将算法落地到实际机器人系统，提升操作鲁棒性和成功率；面向双臂灵巧操作任务，研究数据高效的模仿学习算法（如ACT、Diffusion Policy等）和强化学习方案，探索真机部署方法，提升操作鲁棒性 5. 撰写技术文档，发表高水平学术论文，参与开源项目建设，提升社区影响力

基本要求： - 计算机科学、人工智能、机器人、自动化、控制工程等相关专业在读硕士/博士 - 能保证每周至少3天实习，持续3个月以上（6个月以上更佳） 技术基础： - 扎实的深度学习或机器人学理论基础 - 熟练使用PyTorch或JAX等至少一种深度学习框架 - 良好的Python编程能力，了解常用科学计算库 - 有ROS开发经验 - 熟悉至少一种机器人仿真平台（MuJoCo、Isaac Sim、Gazebo等） - 了解Transformer、Diffusion等现代深度学习模型，或了解机器人运动学、动力学、控制理论 研究兴趣： - 对多模态学习、具身智能或机器人运动控制有浓厚兴趣 - 了解模仿学习、强化学习或传统控制方法基础理论 - 熟悉VLA相关工作（如OpenVLA、RT-2、Pi、ACT、GR00T等）者优先 加分项： - 在顶级会议发表论文（NeurIPS、ICML、ICLR、CVPR、CoRL、RSS、ICRA、IROS等） - 有VLA模型或视觉-语言-动作对齐相关研究经验 - 有双臂机器人、全身控制或将强化学习控制应用于真机的经验 - 有真实机器人系统调试或部署经验 - 有大型开源项目贡献经验