岗位职责： 一、岗位背景 当前影响具身操作与 loco-manipulation模型能力的主要因素是高质量数据极难获取以及缺少能衡量真实能力的 Benchmark。我们正在构建面向具身操作与全身移动操作的仿真与评测系统：用物理仿真、World Model 与生成式仿真，把「采不到、采不起、采不全」的数据规模化生产出来；同时把任务、指标与回归协议做成可复现的 Benchmark，让操作策略与 loco-manipulation 策略的每一次改进有据可查、跨方法可对比。 二、岗位职责 1、面向数据缺口的仿真系统设计 针对具身操作（抓取、放置、工具使用、接触力）与 loco-manipulation（边走边操作、全身承力、双臂协调）建设统一仿真底座。覆盖多本体、多场景、多物体与长尾扰动，使仿真产出可直接进入模仿学习 / VLA / 运控策略训练集，而不是只能看可视化。 2、生成式仿真与 World Model 数据引擎 用生成式场景 / 资产 / 轨迹、视频或状态 World Model，补齐真机难以覆盖的分布：遮挡、滑移、接触失败、负载变化、地形与全身耦合。探索「物理仿真给约束、生成模型给多样性」的混合数据方案，降低遥操作与真机试错成本，服务操作模型与全身策略的规模化训练。 3、有效 Benchmark 建设 定义操作与 loco-manipulation 的可复现评测协议：成功率之外，还要覆盖接触稳定性、移动中操作、泛化到新物体 / 新地形、失败可诊断性。建设标准任务集、基线、反作弊与日级回归，替代「看一次真机 demo」的评测方式，成为模型选型与发版门禁。 4、评测驱动的迭代 在仿真闭环、合成数据、遥操作数据与真机 case 之间建立反馈：哪些任务没数据、哪些指标不灵敏、哪些 sim-to-real 缺口最大。用评测结果决定下一轮采集与生成的优先级，而不是凭感觉堆数据。 5、平台化与协同 与算法、运控、采集团队协作，提供大规模并行 rollout、数据管线与评测服务，保证训练可复现、对比公平、回归可自动跑，支撑操作模型与 loco-manipulation 策略持续迭代。 岗位要求： 1、硕士及以上学历，计算机、人工智能、图形学、自动化、机器人等相关专业； 2、理解具身操作或 loco-manipulation 的数据与评测痛点，熟悉至少一类：物理仿真、生成式数据合成、World Model、机器人评测体系； 3、熟悉 Isaac / MuJoCo 等至少一种仿真栈，能搭建任务、传感器、接触与域随机化，并产出可用于训练的轨迹 / 视频数据； 4、精通 Python，熟练使用 PyTorch；能独立完成数据管线、评测脚本与问题定位； 5、具备良好工程素养（Python / C++），代码可读、可维护、可复现；有 Linux 下协作开发经验。 加分项 1、有操作数据、全身运动数据或遥操作采集链路的开发经验，理解真机数据为何贵、如何质检； 2、有生成式仿真、World Model 合成数据或 sim-to-real 对齐项目经验； 3、主导或深度参与过具身操作 / locomotion / loco-manipulation Benchmark（任务集、指标、基线、回归）建设； 4、熟悉失败 case 复现、分布对齐、数据质量门禁与自动评测； 5、熟悉 GPU 仿真、大规模并行 rollout 与训练数据管线； 6、在 CV / ML / Robotics / 图形学顶会或期刊发表过论文； 7、有四足 / 双臂 / 人形机器人仿真或开源评测项目经验； 8、同时具备「能规模化造数据」与「能把评测做成可信标尺」的复合背景者优先。