章节目录
本页目录
7. 就业岗位
了解技术栈后，可以进一步看这些能力在工作中怎样组合。本章按“大脑类算法 → 小脑类算法 → 感知与导航 → 工程与平台 → 硬件”介绍岗位方向，每个岗位说明做什么、用什么技术，以及怎样准备面试。
下面的面试重点是围绕岗位能力整理的准备方向。具体岗位的研究深度、工程范围和经验要求，需要结合职位描述判断。
7.1 “大脑”类算法岗
具身大模型 / VLA 算法工程师
做什么：训练和改进将视觉、语言与机器人状态转成动作的模型，涉及架构设计、预训练、微调、数据配比、跨本体训练，以及利用强化学习进行后训练。研究岗位更关注方法与泛化能力，应用岗位还需要把模型接入真机并评测。
常用技术：多模态模型、Transformer、模仿学习、强化学习、PyTorch / JAX，以及 FSDP / DeepSpeed 等分布式训练工具。动作表示有离散 token、扩散和流匹配等路线，可以结合 OpenVLA、RDT、π0 理解各自的设计。
面试准备：深入理解一到两个代表模型，讲清输入、动作空间、训练目标和推理流程；能够分析多卡训练的显存、通信与吞吐；解释数据混合、归一化、评测集划分和真机失败原因。申请 RL 后训练方向，还要说明奖励、价值估计、交互数据和策略更新怎样配合。论文复现、训练实验和真机部署经历都可以作为能力证据。
相关学习：大模型算法 · π₀.₅ + RECAP 实战。
操作（Manipulation）算法工程师
做什么：让机械臂、双臂或灵巧手完成抓取、搬运、装配和日常操作，处理物体变化、遮挡、接触与失败恢复。工作常把几何方法、运动规划、学习策略和反馈控制结合起来。
常用技术：GraspNet / AnyGrasp 等抓取相关工作、物体 6D 位姿估计、MoveIt 2、碰撞检测、ACT、Diffusion Policy、阻抗控制与力控，以及灵巧手动作重定向（retargeting）。
面试准备：坐标变换、正逆运动学、轨迹规划与接触控制；示教数据怎样影响训练；动作分块与闭环执行怎样配合。准备一个具体任务，说明失败来自感知、可达性、规划、策略还是控制，并展示定位与改进过程。
操作能力可用于工业装配、物流和服务机器人等不同场景，任务的精度、柔顺性和泛化要求各不相同。FieldAI 的操作岗位提供了操作与全身协调结合的职责实例。
7.2 “小脑”类算法岗
运动控制算法工程师
做什么：让四足、双足或人形机器人保持平衡、跟踪速度、通过不同地形并协调全身动作。阅读职位描述时，重点区分下面两种侧重：
| 方向 | 主要工作 | 常用技术 |
|---|---|---|
| 学习型 / 强化学习运控 | 训练运动策略，设计奖励与课程，将策略从仿真迁移到真机 | Isaac Lab、MuJoCo、PPO、域随机化、运动模仿与动作重定向 |
| 模型型运控 | 建模机器人动力学，在接触与执行器约束下求解控制量 | MPC、全身控制（WBC）、数值优化、Pinocchio、OCS2、CasADi |
面试准备：学习型方向要掌握 PPO、优势估计、奖励设计与训练稳定性，能分析延迟、噪声和执行器差异造成的 sim2real 问题。模型型方向要能推导运动学、动力学与接触约束，解释优化目标和求解失败。两者都需要理解控制频率、实时执行，以及 C++ 真机部署与日志调试。
真实系统也会结合学习型与模型型方法。FieldAI 的运控岗位同时涉及策略训练、运动模仿、域随机化和硬件验证，可用于理解从训练到部署的职责范围。
相关学习：运控算法 · MicroDuck RL。
7.3 感知与导航岗
导航 / SLAM 算法工程师
做什么：负责建图、定位、状态估计、全局与局部路径规划、避障和导航恢复，让机器人在环境中可靠地到达目标。
常用技术：FAST-LIO、LIO-SAM、ORB-SLAM3、VINS 等激光或视觉惯性方法，滤波与图优化、ROS 2、tf2 和 Nav2。视觉语言导航（VLN）与语义导航还需要语言理解、语义地图和相应评测。
面试准备：传感器标定、坐标系、时间同步、IMU 误差、回环与重定位；全局和局部规划怎样分工；如何分析漂移、定位退化、动态障碍和窄通道问题。准备日志回放与失败分析，说明问题如何被复现和修复。
这些能力与自动驾驶、AMR 和家用移动机器人的导航工作有交集，但传感器、速度范围和运行约束不同。FieldAI 的标定、定位与建图岗位可作为多传感器方向的职责实例。
相关学习：导航。
感知 / 3D 视觉算法工程师
做什么：把相机、深度或激光数据转换成机器人可用的物体、几何和位姿信息，为抓取、导航与交互提供输入。
常用技术：相机与手眼标定、点云处理、分割、深度估计、6D 位姿估计，OpenCV、PCL / Open3D、PyTorch，以及 ONNX / TensorRT 部署。
面试准备：相机模型、坐标变换、重投影误差、点云配准和位姿评测；训练数据、遮挡与光照变化；部署精度和延迟之间的取舍。CV 背景的读者可以沿用已有的视觉模型能力，再补齐几何、传感器和机器人坐标系统。
相关学习：传感器标定与 sim2real · 传感器投影。
7.4 工程与平台岗
仿真工程师
做什么：搭建机器人训练与评测环境，构建资产、生成场景，完成物理和传感器配置、real2sim、合成数据与自动评测。
常用技术：Isaac Sim / Isaac Lab、MuJoCo、USD / URDF / MJCF、碰撞与接触建模、执行器建模、域随机化、并行仿真和性能分析。
面试准备：质量、惯量、摩擦、关节和时间步怎样影响结果；如何用真机测量校准模型；怎样定位性能瓶颈并保证实验可复现。涉及视频世界模型的岗位，还需理解生成模型、动作条件预测与评测，并确认职责更侧重模型研究还是仿真工具开发。
相关学习：仿真工程。
数据工程师
做什么：建设遥操作与数采流程、数据平台和质量检查，将原始记录变成能训练、能追踪、能复用的数据集。
常用技术：Python、设备接口、视频和时序数据处理、数据格式与元数据、对象存储、任务调度、版本管理和 LeRobot 等工具链。
面试准备：观测与动作怎样对齐；如何检查掉帧、标定错误和异常轨迹；怎样划分数据集、避免泄漏、提高读取吞吐，并追踪数据版本。XDOF 的机器人数据工程岗位强调遥操作数据验证与质量工具，可作为职责参考。
这个方向需要看清职位范围：数采操作岗侧重设备操作、任务执行与验收；遥操作系统开发岗侧重软硬件与控制接口；数据平台岗侧重存储、处理、质量和训练接入。
相关学习：数据工程。
机器人软件 / 部署工程师
做什么：把感知、策略、控制器和硬件连接成可持续运行的系统，负责通信、推理服务、设备接口、日志、故障恢复与版本发布。
常用技术：C++、Python、Linux、ROS 2、DDS / QoS、多线程、实时调度、ONNX Runtime / TensorRT，以及 Jetson Orin 等端侧平台。
面试准备：C++ 内存与资源管理、并发和数据竞争、通信时序、端到端延迟与尾延迟；CPU / GPU 性能分析；设备断连、模型超时与版本不兼容的处理。准备一个系统集成案例，说明怎样监测、定位和恢复故障，能够展示这类岗位重视的工程能力。
相关学习：部署工程。
7.5 硬件岗
硬件岗位的专业基础各有侧重，直接影响机器人能否达到负载、精度、功耗和可靠性要求。
嵌入式工程师
做什么：开发 MCU 固件、传感器与执行器接口、实时任务和底层通信。
常用技术与面试准备：C / C++、RTOS、中断、DMA、CAN / CAN-FD、SPI / I²C；掌握任务调度、通信带宽和时延、看门狗、错误恢复、固件升级，以及用示波器或逻辑分析仪定位时序问题。
电机驱动 / 电子工程师
做什么：电机驱动方向实现电流、速度与位置控制；电子方向负责供电、控制板、传感器接口和电路可靠性。
常用技术与面试准备：FOC（磁场定向控制）、编码器、电流采样、PWM、功率器件、原理图与 PCB、电源、EMC 和散热；能解释控制环带宽、采样时序、测量误差与保护机制，给出实测结果和故障分析。
机械 / 执行器 / 灵巧手工程师
做什么：设计连杆、关节、传动、执行器和手部机构，完成选型、装配与测试；灵巧手还涉及手指驱动、触觉集成和可维护性。
常用技术与面试准备：CAD、机构学、材料、公差、有限元分析、电机与减速器选型；能从任务需求计算力矩、速度和行程，解释刚度、回差、重量、散热与成本的取舍，并展示图纸、样机和测试依据。
相关学习：硬件。
7.6 怎样理解岗位边界
看实际职责与交付
团队规模、产品阶段和技术路线都会影响分工。小团队中的一个算法岗位可能同时负责数采、训练和部署；分工细化后，这些任务也可能由多个团队协作完成。阅读职位描述时，应确认负责哪类机器人与任务、交付什么结果、怎样评测，以及能否接触真机。
招聘热度和岗位数量需要结合地区、时间与具体招聘信息判断。上面的公开职位仅用于说明职责，查阅日期为 2026 年 9 月 24 日。
分清两类强化学习方向
| 方向 | 主要目标 | 有 RL 基础后还需要补什么 |
|---|---|---|
| 学习型运控 | 平衡、速度跟踪、地形适应与全身协调 | 动力学、接触、仿真、执行器与 sim2real |
| VLA / 操作策略的 RL 后训练 | 任务成功率、执行效率、泛化与失败恢复 | 多模态模型、动作表示、示教数据、分布式训练与交互评测 |
有 RL 基础的读者可以分别尝试一个运控实验和一个操作策略实验，再选择更感兴趣的方向。VLA 调研适合展示对问题与方法的理解；模型复现、机械臂操作和真机部署项目则可以补充实现与验证的证据。
如果希望长期做 AI 与硬件结合的产品，可以优先关注能接触数采、训练、部署和现场故障的项目经历。介绍项目时，讲清任务、个人完成的部分、实验结果和失败分析，让能力与岗位要求对应起来。