yannick
算法工程师
宇树科技 · 4年经验
日薪：
￥500/8h
地点：
杭州 滨江
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
1. 机器人系统与工程
ROS生态：熟练掌握 ROS1 / ROS2，具备节点通信、传感器驱动集成、rviz/gazebo 可视化调试经验；熟悉 ROS2 中间件（CycloneDDS / Zenoh）迁移
工程工具链：C++ / Python 开发，CMake 构建系统，Docker 容器化部署，Ubuntu 多版本环境管理（20.04/22.04/24.04）
边缘部署：具备 RK3588、Jetson 等嵌入式平台的算法移植与性能优化经验
2. SLAM 与定位
激光 SLAM：深入掌握 LOAM、LeGO-LOAM、LIO-SAM、Fast-LIO2 等框架，理解帧间配准、scan-to-map、点面配准及残差雅可比推导
状态估计：熟悉 ESKF、IESKF、IEKF 等非线性卡尔曼滤波扩展形式，理解 IMU 预积分、紧耦合 / 松耦合优化架构
图优化：掌握 g2o、GTSAM、Ceres 等后端优化库，理解因子图设计（IMU 因子、GPS 因子、Lidar 因子协方差机制）
3. 点云处理与几何计算
点云库：熟练使用 PCL、Open3D、nanoflann、embree、FCL 进行点云滤波、配准、碰撞检测
配准算法：深入理解 ICP 及其变体、点面配准、RANSAC 离群点滤除，掌握配准三大假设与误差分析
4. 规划控制（规控）
路径规划：掌握 2D/3D-PRM、A、RRT、APF 等全局规划算法
轨迹跟踪与优化：熟悉 LQR、MPC、TEB、EGO-Planner，具备 OSQP-Eigen 求解器使用经验
应用场景：端到端自动泊车、BEV 可通行区域生成、轨迹跟踪、move_base / nav2 导航框架
5. 强化学习（加分项）
算法：SAC、PPO、Actor-Critic、值迭代 / 策略迭代
框架与部署：IsaacLab 训练环境，CUDA / cupy GPU 加速，关注资源利用率与训练效率优化
ROS生态：熟练掌握 ROS1 / ROS2，具备节点通信、传感器驱动集成、rviz/gazebo 可视化调试经验；熟悉 ROS2 中间件（CycloneDDS / Zenoh）迁移
工程工具链：C++ / Python 开发，CMake 构建系统，Docker 容器化部署，Ubuntu 多版本环境管理（20.04/22.04/24.04）
边缘部署：具备 RK3588、Jetson 等嵌入式平台的算法移植与性能优化经验
2. SLAM 与定位
激光 SLAM：深入掌握 LOAM、LeGO-LOAM、LIO-SAM、Fast-LIO2 等框架，理解帧间配准、scan-to-map、点面配准及残差雅可比推导
状态估计：熟悉 ESKF、IESKF、IEKF 等非线性卡尔曼滤波扩展形式，理解 IMU 预积分、紧耦合 / 松耦合优化架构
图优化：掌握 g2o、GTSAM、Ceres 等后端优化库，理解因子图设计（IMU 因子、GPS 因子、Lidar 因子协方差机制）
3. 点云处理与几何计算
点云库：熟练使用 PCL、Open3D、nanoflann、embree、FCL 进行点云滤波、配准、碰撞检测
配准算法：深入理解 ICP 及其变体、点面配准、RANSAC 离群点滤除，掌握配准三大假设与误差分析
4. 规划控制（规控）
路径规划：掌握 2D/3D-PRM、A、RRT、APF 等全局规划算法
轨迹跟踪与优化：熟悉 LQR、MPC、TEB、EGO-Planner，具备 OSQP-Eigen 求解器使用经验
应用场景：端到端自动泊车、BEV 可通行区域生成、轨迹跟踪、move_base / nav2 导航框架
5. 强化学习（加分项）
算法：SAC、PPO、Actor-Critic、值迭代 / 策略迭代
框架与部署：IsaacLab 训练环境，CUDA / cupy GPU 加速，关注资源利用率与训练效率优化
项目经验
机器狗 / 无人车激光 SLAM 定位系统
负责面向四足机器狗（或无人车平台）的激光 SLAM 定位算法开发与落地。项目采用多线激光雷达与 IMU 融合方案，基于 Fast-LIO2（或 LIO-SAM）框架进行二次开发，实现复杂室内外环境下的高精度实时定位与地图构建。在算法层面，针对大场景长距离运行中的累积漂移问题，设计了基于 GPS 因子与回环检测的图优化约束策略，利用 GTSAM（或 g2o）构建后端因子图，显著降低全局轨迹误差。工程层面，完成了算法在 RK3588 / Jetson 嵌入式平台的移植与优化，通过点云降采样、计算热点分析及定点化加速，将系统运行帧率稳定在目标水平，满足机器狗动态运动的实时性要求。项目最终实现了从算法研发到硬件部署的完整闭环，支撑了机器狗自主导航的量产级落地。
端到端自动泊车规控系统
作为核心算法工程师，参与面向量产车型的端到端自动泊车系统开发。负责泊车场景下的全局路径规划与局部轨迹跟踪模块，基于 A* / RRT* 实现狭窄车位与复杂障碍物环境下的可行路径搜索，并采用 MPC（或 EGO-Planner）进行轨迹优化与跟踪控制，确保车辆在执行泊车动作时的平滑性与安全性。针对泊车过程中动态障碍物的干扰，设计了基于 FCL 的实时碰撞检测与重规划机制。同时参与 BEV 视角下的可通行区域生成算法开发，为规划模块提供高精度的语义约束输入。该项目涉及从仿真验证（gazebo / rviz）到实车测试的全流程，算法最终部署于车载工控机平台。
基于强化学习的机器人控制策略训练
独立负责基于 IsaacLab 仿真环境的机器人控制策略训练项目，采用 SAC / PPO 算法完成四足机器人步态控制（或导航策略）的端到端学习。在训练过程中，针对高维状态空间与奖励函数设计进行深度调优，利用 CUDA 与 cupy 实现批量数据处理的 GPU 加速，将训练周期压缩至合理范围。项目注重资源利用率优化，通过监控 GPU 显存占用与训练曲线，动态调整 batch size 与学习率策略，最终获得可迁移至仿真-现实（sim-to-real）环境的鲁棒控制策略。
负责面向四足机器狗（或无人车平台）的激光 SLAM 定位算法开发与落地。项目采用多线激光雷达与 IMU 融合方案，基于 Fast-LIO2（或 LIO-SAM）框架进行二次开发，实现复杂室内外环境下的高精度实时定位与地图构建。在算法层面，针对大场景长距离运行中的累积漂移问题，设计了基于 GPS 因子与回环检测的图优化约束策略，利用 GTSAM（或 g2o）构建后端因子图，显著降低全局轨迹误差。工程层面，完成了算法在 RK3588 / Jetson 嵌入式平台的移植与优化，通过点云降采样、计算热点分析及定点化加速，将系统运行帧率稳定在目标水平，满足机器狗动态运动的实时性要求。项目最终实现了从算法研发到硬件部署的完整闭环，支撑了机器狗自主导航的量产级落地。
端到端自动泊车规控系统
作为核心算法工程师，参与面向量产车型的端到端自动泊车系统开发。负责泊车场景下的全局路径规划与局部轨迹跟踪模块，基于 A* / RRT* 实现狭窄车位与复杂障碍物环境下的可行路径搜索，并采用 MPC（或 EGO-Planner）进行轨迹优化与跟踪控制，确保车辆在执行泊车动作时的平滑性与安全性。针对泊车过程中动态障碍物的干扰，设计了基于 FCL 的实时碰撞检测与重规划机制。同时参与 BEV 视角下的可通行区域生成算法开发，为规划模块提供高精度的语义约束输入。该项目涉及从仿真验证（gazebo / rviz）到实车测试的全流程，算法最终部署于车载工控机平台。
基于强化学习的机器人控制策略训练
独立负责基于 IsaacLab 仿真环境的机器人控制策略训练项目，采用 SAC / PPO 算法完成四足机器人步态控制（或导航策略）的端到端学习。在训练过程中，针对高维状态空间与奖励函数设计进行深度调优，利用 CUDA 与 cupy 实现批量数据处理的 GPU 加速，将训练周期压缩至合理范围。项目注重资源利用率优化，通过监控 GPU 显存占用与训练曲线，动态调整 batch size 与学习率策略，最终获得可迁移至仿真-现实（sim-to-real）环境的鲁棒控制策略。
yannick
算法工程师 · 4年经验 · 宇树科技
0
累计接单
0
用户评价
1
被收藏
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
1. 机器人系统与工程
ROS生态：熟练掌握 ROS1 / ROS2，具备节点通信、传感器驱动集成、rviz/gazebo 可视化调试经验；熟悉 ROS2 中间件（CycloneDDS / Zenoh）迁移
工程工具链：C++ / Python 开发，CMake 构建系统，Docker 容器化部署，Ubuntu 多版本环境管理（20.04/22.04/24.04）
边缘部署：具备 RK3588、Jetson 等嵌入式平台的算法移植与性能优化经验
2. SLAM 与定位
激光 SLAM：深入掌握 LOAM、LeGO-LOAM、LIO-SAM、Fast-LIO2 等框架，理解帧间配准、scan-to-map、点面配准及残差雅可比推导
状态估计：熟悉 ESKF、IESKF、IEKF 等非线性卡尔曼滤波扩展形式，理解 IMU 预积分、紧耦合 / 松耦合优化架构
图优化：掌握 g2o、GTSAM、Ceres 等后端优化库，理解因子图设计（IMU 因子、GPS 因子、Lidar 因子协方差机制）
3. 点云处理与几何计算
点云库：熟练使用 PCL、Open3D、nanoflann、embree、FCL 进行点云滤波、配准、碰撞检测
配准算法：深入理解 ICP 及其变体、点面配准、RANSAC 离群点滤除，掌握配准三大假设与误差分析
4. 规划控制（规控）
路径规划：掌握 2D/3D-PRM、A、RRT、APF 等全局规划算法
轨迹跟踪与优化：熟悉 LQR、MPC、TEB、EGO-Planner，具备 OSQP-Eigen 求解器使用经验
应用场景：端到端自动泊车、BEV 可通行区域生成、轨迹跟踪、move_base / nav2 导航框架
5. 强化学习（加分项）
算法：SAC、PPO、Actor-Critic、值迭代 / 策略迭代
框架与部署：IsaacLab 训练环境，CUDA / cupy GPU 加速，关注资源利用率与训练效率优化
ROS生态：熟练掌握 ROS1 / ROS2，具备节点通信、传感器驱动集成、rviz/gazebo 可视化调试经验；熟悉 ROS2 中间件（CycloneDDS / Zenoh）迁移
工程工具链：C++ / Python 开发，CMake 构建系统，Docker 容器化部署，Ubuntu 多版本环境管理（20.04/22.04/24.04）
边缘部署：具备 RK3588、Jetson 等嵌入式平台的算法移植与性能优化经验
2. SLAM 与定位
激光 SLAM：深入掌握 LOAM、LeGO-LOAM、LIO-SAM、Fast-LIO2 等框架，理解帧间配准、scan-to-map、点面配准及残差雅可比推导
状态估计：熟悉 ESKF、IESKF、IEKF 等非线性卡尔曼滤波扩展形式，理解 IMU 预积分、紧耦合 / 松耦合优化架构
图优化：掌握 g2o、GTSAM、Ceres 等后端优化库，理解因子图设计（IMU 因子、GPS 因子、Lidar 因子协方差机制）
3. 点云处理与几何计算
点云库：熟练使用 PCL、Open3D、nanoflann、embree、FCL 进行点云滤波、配准、碰撞检测
配准算法：深入理解 ICP 及其变体、点面配准、RANSAC 离群点滤除，掌握配准三大假设与误差分析
4. 规划控制（规控）
路径规划：掌握 2D/3D-PRM、A、RRT、APF 等全局规划算法
轨迹跟踪与优化：熟悉 LQR、MPC、TEB、EGO-Planner，具备 OSQP-Eigen 求解器使用经验
应用场景：端到端自动泊车、BEV 可通行区域生成、轨迹跟踪、move_base / nav2 导航框架
5. 强化学习（加分项）
算法：SAC、PPO、Actor-Critic、值迭代 / 策略迭代
框架与部署：IsaacLab 训练环境，CUDA / cupy GPU 加速，关注资源利用率与训练效率优化
项目经验
机器狗 / 无人车激光 SLAM 定位系统
负责面向四足机器狗（或无人车平台）的激光 SLAM 定位算法开发与落地。项目采用多线激光雷达与 IMU 融合方案，基于 Fast-LIO2（或 LIO-SAM）框架进行二次开发，实现复杂室内外环境下的高精度实时定位与地图构建。在算法层面，针对大场景长距离运行中的累积漂移问题，设计了基于 GPS 因子与回环检测的图优化约束策略，利用 GTSAM（或 g2o）构建后端因子图，显著降低全局轨迹误差。工程层面，完成了算法在 RK3588 / Jetson 嵌入式平台的移植与优化，通过点云降采样、计算热点分析及定点化加速，将系统运行帧率稳定在目标水平，满足机器狗动态运动的实时性要求。项目最终实现了从算法研发到硬件部署的完整闭环，支撑了机器狗自主导航的量产级落地。
端到端自动泊车规控系统
作为核心算法工程师，参与面向量产车型的端到端自动泊车系统开发。负责泊车场景下的全局路径规划与局部轨迹跟踪模块，基于 A* / RRT* 实现狭窄车位与复杂障碍物环境下的可行路径搜索，并采用 MPC（或 EGO-Planner）进行轨迹优化与跟踪控制，确保车辆在执行泊车动作时的平滑性与安全性。针对泊车过程中动态障碍物的干扰，设计了基于 FCL 的实时碰撞检测与重规划机制。同时参与 BEV 视角下的可通行区域生成算法开发，为规划模块提供高精度的语义约束输入。该项目涉及从仿真验证（gazebo / rviz）到实车测试的全流程，算法最终部署于车载工控机平台。
基于强化学习的机器人控制策略训练
独立负责基于 IsaacLab 仿真环境的机器人控制策略训练项目，采用 SAC / PPO 算法完成四足机器人步态控制（或导航策略）的端到端学习。在训练过程中，针对高维状态空间与奖励函数设计进行深度调优，利用 CUDA 与 cupy 实现批量数据处理的 GPU 加速，将训练周期压缩至合理范围。项目注重资源利用率优化，通过监控 GPU 显存占用与训练曲线，动态调整 batch size 与学习率策略，最终获得可迁移至仿真-现实（sim-to-real）环境的鲁棒控制策略。
负责面向四足机器狗（或无人车平台）的激光 SLAM 定位算法开发与落地。项目采用多线激光雷达与 IMU 融合方案，基于 Fast-LIO2（或 LIO-SAM）框架进行二次开发，实现复杂室内外环境下的高精度实时定位与地图构建。在算法层面，针对大场景长距离运行中的累积漂移问题，设计了基于 GPS 因子与回环检测的图优化约束策略，利用 GTSAM（或 g2o）构建后端因子图，显著降低全局轨迹误差。工程层面，完成了算法在 RK3588 / Jetson 嵌入式平台的移植与优化，通过点云降采样、计算热点分析及定点化加速，将系统运行帧率稳定在目标水平，满足机器狗动态运动的实时性要求。项目最终实现了从算法研发到硬件部署的完整闭环，支撑了机器狗自主导航的量产级落地。
端到端自动泊车规控系统
作为核心算法工程师，参与面向量产车型的端到端自动泊车系统开发。负责泊车场景下的全局路径规划与局部轨迹跟踪模块，基于 A* / RRT* 实现狭窄车位与复杂障碍物环境下的可行路径搜索，并采用 MPC（或 EGO-Planner）进行轨迹优化与跟踪控制，确保车辆在执行泊车动作时的平滑性与安全性。针对泊车过程中动态障碍物的干扰，设计了基于 FCL 的实时碰撞检测与重规划机制。同时参与 BEV 视角下的可通行区域生成算法开发，为规划模块提供高精度的语义约束输入。该项目涉及从仿真验证（gazebo / rviz）到实车测试的全流程，算法最终部署于车载工控机平台。
基于强化学习的机器人控制策略训练
独立负责基于 IsaacLab 仿真环境的机器人控制策略训练项目，采用 SAC / PPO 算法完成四足机器人步态控制（或导航策略）的端到端学习。在训练过程中，针对高维状态空间与奖励函数设计进行深度调优，利用 CUDA 与 cupy 实现批量数据处理的 GPU 加速，将训练周期压缩至合理范围。项目注重资源利用率优化，通过监控 GPU 显存占用与训练曲线，动态调整 batch size 与学习率策略，最终获得可迁移至仿真-现实（sim-to-real）环境的鲁棒控制策略。
立即沟通
