职位描述 作为VLA运动控制大模型芯片算法专家，负责将复杂、动态的多模态VLA模型转化为稳定、实时、低功耗的芯片控制指令，需深度理解VLA模型的推理流程与运动控制环的实时性要求，进行算法-芯片的协同设计与极致优化，确保芯片在足式机器人、灵巧手或自动驾驶车辆上，能够实现前所未有的智能与灵巧度。 核心职责 1）VLA模型推理的芯片级优化： 分析并分解 视觉-语言-动作模型 在真实控制场景下的完整计算图，特别是从感知编码到动作解码（Policy Network/Trajectory Generator）的关键路径。 主导VLA模型在自研机器人计算芯片（或高性能SoC）上的 端到端部署、性能剖析与瓶颈定位。 设计和实现针对芯片硬件特性的深度优化方案，包括但不限于：多模态特征融合算子的定制化、控制策略网络（Policy）的低延迟推理优化、基于模型预测控制（MPC）或强化学习（RL）策略的专用加速。 2）实时运动控制环路与芯片的协同设计： 深入理解机器人 状态估计、运动规划、底层伺服控制 的完整控制栈及其对芯片计算（确定性时延、传感器同步、中断响应）的要求。 设计 “感知-决策-控制” 全链路的芯片内数据流与任务调度方案，确保从“看到”到“动作”的端到端延迟满足严苛的物理控制要求。 与芯片架构师协作，为 高带宽传感器接口（相机、IMU、激光雷达）、实时通信总线（EtherCAT, CAN FD） 以及 高精度定时单元 的设计提供算法输入。 3） 算法硬化与部署： ◦ 主导混合精度量化（INT8/FP16）、动态计算/稀疏化 等技术在VLA控制模型上的应用与验证，在确保控制稳定性和安全性的前提下，极致优化功耗与性能。 ◦ 构建芯片上的 实时仿真或“世界模型”轻量化推理单元，用于预测动作后果，实现更安全的超前规划。

1. 教育背景：机器人学、控制科学与工程、计算机科学、电子工程等相关专业硕士或博士学历。 2. 深厚的跨领域知识： ◦ 算法侧：深入理解 VLA/VLN模型、深度强化学习（DRL）、模仿学习、最优控制（如MPC）。有机器人运动控制算法（如全身控制WBC、力控）研发经验者优先。 ◦ 硬件/系统侧：熟悉 机器人操作系统（ROS 2）、实时系统（RTOS）、嵌入式开发，对计算机体系结构、数据流和实时性有深刻理解。 3. 丰富的工程实践经验： ◦ 3年以上 机器人、自动驾驶或相关领域，将复杂AI/控制算法在 嵌入式平台或专用芯片 上部署与优化的经验。 ◦ 精通 C/C++ 和 Python，具备强大的高性能、低延迟编程能力。 ◦ 熟练掌握 PyTorch, TensorFlow 及其部署工具链（TorchScript, ONNX, TensorRT, TVM等）。 ◦ 有 CUDA/OpenCL编程 或 DSP/ARM Neon汇编优化 经验，熟悉性能剖析工具（如Perf, Nsight）。 4. 项目经历：有完整的机器人或自动驾驶 感知-控制 全栈系统开发、集成与调试经验，理解系统级联调挑战。 进迭时空的岗位