锦鲤求职岗位描述
岗位职责
背景：无人装载机的物料操作（如自动铲料、堆料）是其在矿山、港口、建筑等领域实现全流程无人化作业的核心环节。传统方法通常依赖预先设计的轨迹或基于规则的策略，难以适应物料形态多变（如松散度、堆积角度差异）、工况复杂（如铲装阻力动态变化、堆料空间受限）的实际场景。装载机在铲料过程中需与物料进行强交互，涉及复杂的力学行为与动态调整，而当前方法在建模时往往忽视物料特性变化对操作策略的影响，导致铲装效率低、能耗高，甚至操作失败。堆料任务则需兼顾空间利用率、堆形规整性与作业连续性，传统规划方法在动态变化的堆料场景中适应性不足。因此，亟需发展能够在线适应物料特性、自主优化操作策略的智能控制方法，以提升物料操作的整体效率与鲁棒性。 研究目标 本研究围绕无人装载机物料操作过程中的自主决策与精确控制问题，提出基于数据驱动的智能策略学习方法，具体目标包括： 1. 构建融合物料交互特性的World Model建模框架，通过多模态感知数据（如视觉、力学传感器）与深度神经网络，实现对铲料过程中物料状态（如密实度、流动性）与装载机动力学耦合系统的建模，为策略学习提供高保真仿真环境。 2. 基于强化学习（RL）与模仿学习的协同优化策略，在World Model中利用RL自主探索并优化铲料轨迹、切入角度、铲斗动作序列等多维操作决策，实现铲装效率、能耗与成功率的平衡；同时结合专家操作数据，通过模仿学习引导策略快速收敛，提升初始操作的安全性与自然性。 3. 开发面向堆料任务的具身智能规划方法，将装载机本体动力学、铲斗物料状态与堆料场景几何约束相结合，通过序列决策模型生成堆料路径与卸料动作，实现堆形规整、空间利用率高的自动化堆料作业。 4. 设计仿真-实物迁移机制，利用World Model进行大规模策略训练与评估，并通过领域自适应方法减小仿真与现实之间的差距，最终在真实装载机平台上验证策略的可行性与泛化能力。 研究意义 本研究从实际物料操作任务出发，将数据驱动的World Model建模、强化学习探索优化与模仿学习的行为引导相结合，实现无人装载机在动态不确定环境中的智能铲料与堆料。该研究不仅突破了传统方法依赖固定规则、难以适应复杂物料交互的局限，也为具身智能在重型移动机械中的应用提供了新思路。研究成果有望显著提升装载机在真实工况下的作业自主性、操作效率与经济性，推动无人化物料处理系统向更智能、更柔性的方向发展，具有明确的工程应用价值与学术探索意义。
岗位要求
1、熟练掌握 Python 和主流深度学习框架（如 PyTorch）。
2、具备扎实的机器学习基础，对深度学习、强化学习等相关领域有浓厚兴趣。
3、具备良好的编码能力、解决问题能力和团队协作精神。
4、有模仿学习或强化学习（如 ACT、DP、PPO、model-base RL）在机器人上工程化应用经验者优先；发表过机器人领域顶级会议和期刊者优先，如ICRA/IROS/RSS/TRO/IJRR；熟悉 Linux 开发环境，有ROS或机器人实机调试经验者优先。