about the company.
总部位于新加坡（淡马锡控股旗下企业），是全球领先的“智能安全”与“综合设施管理”服务商。
about the team.
Robotics
about the job.
我们正在招聘一位机器人具身智能工程师，在中国建立面向真实机器人的“可量化持续改进闭环”。该岗位将机器人质量工程与操作/具身智能结合起来：设计自动化方法判断机器人是否真正完成任务，系统采集成功与失败数据，改进 policy/model，并通过可重复评测证明新版本确实更好且没有 regression。
岗位重点不是真实机器人的最终行为与能力。你将面对人形机器人、移动操作机器人、机械臂、夹爪等平台，为导航、操作、感知和完整任务执行建立评测系统，同时 hands-on 参与具身智能从数据采集、训练、评测到真机部署的完整 pipeline。
...
skills and experience required.
主要职责
- 利用相机、外部定位/跟踪系统、机器人 telemetry、力/力矩或触觉传感器、测试夹具等构建自动化真机测试系统，获得客观 ground truth。
- 使用 Python/C++ 开发测试 harness、自动化 regression suite、仿真/HIL 环境、故障注入测试和 endurance test，用于机器人平台以及中国团队开发组件的验证。
- 建立组件级 CI 测试流水线和可复现测试环境，把重要现场/实验室故障转化为长期保留的自动化 regression test。
- 开发结构化 log/telemetry 采集、实验追踪、failure replay、可视化、指标 dashboard 和缺陷分析工具。
- 设计并运行机器人数据采集 pipeline，通过遥操作、示教或自主执行采集数据，定义需要记录的内容，并保证时间同步、数据质量、标注与版本管理。
- 集成、微调并评测操作/具身智能 policy，可使用 imitation learning、behavior cloning、ACT/diffusion 类 policy、VLA 类模型、RL 或其他合适方法。
- 建立完整的 data -> training -> evaluation -> deployment -> regression 闭环，并在真实机器人任务上展示可量化的能力提升。
- 评估模型和 policy 在未见物体、环境变化、不同机器人硬件版本及运行条件变化下的泛化能力。
- 将 policy/model runtime 部署到真实机器人或边缘计算平台，考虑传感 pipeline、延迟、算力限制、安全约束、故障检测以及 fallback/recovery。
- 在实验室、仿真以及可控现场环境中，为导航、操作、感知、人机交互和完整任务执行设计可重复的机器人评测与验收方法。
- 定义量化能力指标，例如任务完成率、抓取/操作成功率、人工干预率、恢复成功率、碰撞/near-miss 率、单次任务耗时、轨迹质量、覆盖率、回充成功率，以及对不同物体/环境的泛化能力。
- 与机械/机电工程师、机器人系统与嵌入式集成工程师紧密协作，根据量化失败数据持续改进夹爪、传感器、硬件接口和机器人行为。
能力要求
- 扎实的 Python 编程能力和 PyTorch hands-on 经验，能够构建可维护的机器人/AI 工具和 pipeline，而不仅是 notebook 或一次性 demo。
- 有真实机器人经验，并至少在以下一个方向有 hands-on 经历：操作学习、模仿学习、robot learning、VLA 类 policy learning、强化学习、sim-to-real 或 AI 机器人控制。
- 具备强机器人评测思维，能够把“机器人需要稳定工作”这样的模糊要求转化为可量化指标、可重复实验和明确的 pass/fail 标准。
- 有计算机视觉、机器人感知或跟踪经验，熟悉 OpenCV、RGB/RGB-D 相机、外部跟踪系统或类似感知方法。
- 能够设计严谨实验，包括 baseline、变量控制、重复性、dataset split、regression evaluation 和 failure analysis。
- 熟悉 Linux、Git 和基本软件工程实践，能够开发自动化工具并将测试接入 CI workflow。
- 能够 hands-on 使用真实机器人采集数据、调试失败，并在软件、模型、感知和硬件约束之间快速迭代。
- 分析能力强、有 ownership，更关注真实世界的量化表现，而不是单次 demo 是否成功。
加分项
- 有机械臂、人形机器人、移动操作机器人、夹爪或接触式操作经验。
- 熟悉 ROS/ROS2 以及 Isaac Sim/Isaac Lab、MuJoCo、Gazebo 等仿真工具。
- 有遥操作/示教采集、机器人数据集、dataset versioning、experiment tracking 或 model registry 经验。
- 熟悉力/力矩、触觉传感、VLA、diffusion policy、ACT、behavior cloning 等操作学习方法。
- 有基于相机的 ground-truth 系统、轨迹评测、机器人行为自动分析或大规模真机测试平台经验。
- 有Orin/Thor 等边缘平台模型部署与延迟/性能优化经验。
- 有 model evaluation/MLOps、自动 benchmark runner、failure clustering 或数据驱动 release gate 经验。
工作方式
- 高度 hands-on，能够在代码、模型、相机、机器人硬件和物理实验之间快速切换。
- 方法严谨、数据驱动，用量化证据判断机器人能力是否真正提升。
- 强调快速迭代：测试、诊断、采集数据、改进、重新评测，并把问题沉淀为自动化 regression。
- 能够与跨学科工程师协作，把杂乱的真机失败转化为结构化、可执行的工程任务。
