北京机器人控制工程师
机器人控制工程师是负责设计、开发和维护机器人系统的专业人员。他们利用工程知识、计算机科学和机械原理来创建自动化系统，从工业生产线到医疗设备。机器人控制工程师设计和实施控制算法、传感器和执行器，以确保机器人能够高效地执行任务，同时保持安全性和精确性。他们还负责编写和测试软件程序，进行故障排查和性能优化。这项工作需要深入了解机器人技术、自动化系统和工程原理，并能够应用这些知识来创造创新性的解决方案。机器人控制工程师通常在机器人制造公司、研究实验室、自动化设备公司或工厂生产部门工作。这个领域需要工程师具备技术专业知识，创造力和解决问题的能力。
薪酬概览
平均月薪
¥29300
中位数 ¥0 ｜ 区间 ¥22900 - ¥35700
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
42.9% 人群薪酬落在 >30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
10月新增岗位
12
对比上月：岗位新增8
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 3-5年 | 4 | 50% |
| 5-10年 | 4 | 50% |
热招职位
1. 负责双臂机器人运动规划核心算法的研发与落地，包括但不限于：逆运动学求解、运动规划与双臂协同等；
2. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
3. 研究并开发遥操作系统，实现操作者对机器人的高精度、低延迟控制，探索力反馈、视觉引导等多模态遥操作方案；
4. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
5. 结合人工智能前沿技术，探索运动规划的智能化方向，如基于学习的运动策略生成、自适应抓取规划等，并搭建原理样机验证可行性；
6. 直接参与机器人系统的整体方案设计、技术架构制定与研发路线评审；
1、负责机器人系统的整体方案设计、改造方案设计以及现场调试；
2、熟悉PLC编程（西门子S7-1200/1500、三菱FX系列）、组态软件（WinCC）以及机械臂与PLC通讯和组态方法；
3、参与机器人运动控制算法、路径规划、SLAM（同步定位与建图）等核心算法的开发与优化；
4、搭建机器人软硬件测试平台，进行系统调试、性能评估及故障诊断；
5、与跨职能团队（如软件、产品、测试等）协作，推动项目从原型到量产的落地；
6、跟踪机器人领域前沿技术，持续改进产品性能与用户体验；
7、编写技术文档，包括设计说明、测试报告、用户手册等
1、策略算法建模与优化：负责无人车货运业务中核心策略模型的建设和持续迭代。运用机器学习、因果推断、大模型等技术，对货运场景中的强不确定性、强价格弹性、强动态性进行建模和优化。具体方向包括：需求预测、留存/转化预测、价格弹性建模等定价/营销优化场景和路径规划与时间预估、履约机会成本预测、供需失衡预测等调度优化场景。
2、预测-决策联合优化：推动预测模型与决策模型的深度耦合，通过端到端优化实现业务订单增长和运营效率提升，直接驱动GMV增长和成本优化。
3、业务洞察与技术探索：深入理解无人车货运业务全链路，洞察业务快速发展过程中的关键瓶颈，与产品、运营、工程团队紧密协作，探索AI驱动的新一代物流策略体系。
4、前沿技术落地：关注并引入大模型（LLM/Foundation Model）、强化学习、因果推断等前沿技术在物流策略优化中的应用，推动技术创新转化为业务价值。
研究方向：半监督、无监督、大规模预训练模型的在ASR领域的应用研究。探索课题包括但不限于：
1、探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）；
2、研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法；
3、尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法。
核心职责：
混合控制框架设计与实现：
主导设计MPC-RL/IL 混合控制框架，将基于物理模型的控制（如 MPC）与基于学习的策略（如深度神经网络）进行高效协同。
专注于利用 MPC 处理实时、高频、平衡保持等核心任务，利用学习策略处理步态生成、高层决策和环境适应。
高性能传统控制（MPC）：
负责模型预测控制 (MPC) 算法的研发、数值求解器优化和实时部署，确保在双足机器人系统中的动态稳定性和能效。
构建和维护高精度双足机器人动力学模型（如 LIPM, SRB, 全身动力学模型），作为 MPC 和学习算法的基础。
基于学习的控制策略（IL/RL）：
实施和优化模仿学习 (Imitation Learning) 算法，从人类或高性能控制器数据中学习鲁棒且自然的步态和运动轨迹。
探索和应用深度强化学习 (DRL) 算法（如 PPO, SAC 等），用于崎岖地形适应、动态抗扰和高动态运动能力的策略学习。
工程实现与硬件验证：
在实时控制环境中实现所有算法，并保证代码的可靠性、高效性和低延迟。
负责Sim-to-Real 流程的优化，包括域随机化 (Domain Randomization) 和硬件在环 (HIL) 测试，确保策略成功部署到物理机器人上。
我们正在寻找一位自动驾驶研发自有车队采集负责人,负责与公司司合规团队合作,规范化整体数据采集和运营流程。
1、您将负责梳理对应端侧和云侧的研发任务,制定研发排期,并并进行宣贯工作。
2、您需要设计采集的标准流程,确保数据上传符合下游预期,包括数据权限限隔离、合规性和高效性。
3、需要能够将该部分的工作快速进行标准化和工具化推动。包括但不限制于控制数居质量,交付速度等方面,并有能力购买或设计对应需求到相应的工具。
1.负责研发深度学习算法框架和工具，提升业务如自动驾驶等场景的模型研发效率；
2.负责优化框架性能，支持高效的大规模模型训练，提升业务模型的模型迭代效率；
1.参与机器人仿真平台研发，支持无人机接驳、自动化换电、仓储打包、末端配送等美团业务场景的仿真；
2.参与结构模型、动力学模型、传感器模型、接触物理模型开发及优化；
3.开展机器人及具身数据采集设备整机和关键部组件的仿真、选型评估、构型优化仿真、人机工学仿真；
4.参与具备物理属性的仿真数据合成、场景随机化、real2sim优化，提升仿真数据的多样性和物理保真度，生成用于机器人策略训练的大规模合成数据集；
5.跟踪并学习具身智能、仿真数据合成、物理AI等领域的前沿技术，推动创新方法在团队落地应用；
6.主动探索并运用各类AI工具优化日常工作流程，积极推动AI在业务场景中的落地实践，持续提升个人及团队的工作效率与产出质量。
1.主导万卡级GPU集群的全局资源调度，通过精细化管理和优化策略，显著提升资源利用率，确保离线和在线任务的高效稳定运行；
2.深入优化RDMA高速网络、分布式存储与计算资源的协同调度，有效解决大规模训练任务中的性能瓶颈，提升整体计算效率；
3.基于Kubernetes、Docker等云原生技术，构建高可用调度框架，全面支持分布式训练框架，实现任务编排、容灾与混部能力，并深入K8s调度器、CSI插件及CRD的开发，推动大规模训推技术的实际落地；
4.积极探索混合云、虚拟化、ARM异构计算等前沿方向，不断推动技术与平台能力的升级和创新。
加入自动驾驶数据平台团队，聚焦模型训练性能优化、训练数据集管理、训练框架工程化，参与大规模自动驾驶 / 大模型训练链路建设，解决真实业务中的 IO 瓶颈、训练加速、数据管理等工程问题。
1.训练性能与链路优化
参与分布式训练调优，优化显存 / 内存占用、通信效率与数据流水线；攻坚数据解码、加载、增强等预处理环节性能，结合 CPU/GPU 异构计算提升整体训练吞吐。
2.大规模训练数据集管理
参与自动驾驶数据集版本管理、质量校验与分发；优化 Lance、WebDataset、LMDB 等数据读取链路，解决分布式训练 I/O 瓶颈，保障海量训练数据高效流转。
3.训练框架维护与自动化建设
协助内部训练框架迭代维护，保障训练稳定性；参与训练流程模块化、自动化改造，配合搭建训练任务 CI/CD、性能度量与数据监控体系。
4.系统问题排查与专项优化
协助定位训练过程 OOM、卡死、通信异常等问题，参与内存、性能 Profiling 等专项优化，提升框架可维护性。
1、负责ADAS、城区/高速NOA场景下的感知算法研发，包含交通灯、标识牌检测等空中要素检测工作；
2、负责核心算法或模型的原创设计以及工程化落地，如模型优化、评测体系化构建、case迭代等；
3、掌握数据挖掘、标注、训练、部署及badcase回归等闭环链路，并伴随业务开展持续优化；
4、掌握通过数据闭环持续迭代模型的能力；
探索下一代端到端自动驾驶系统的强化学习训练范式，构建高效稳定的大规模强化学习闭环训练框架，提升强化学习的数据效率、训练效率、稳定性、场景泛化性，验证scalling law，推动强化学习算法在物理世界的落地应用。