20260502 杭州机器人仿真岗位整理

简要整理下20260502机器人仿真/测试智岗位以及职能需求

1、宇树、云深处

都不需要仿真岗位，emmm

2、哥仑布机器人

技能点：issac sim、3D高斯、仿真训练、传感器数据合成

3、曦诺未来

技能点：STM32、ros\ros2、实际机器人项目

4、拉格朗日机器人

技能点：issac sim （USD、oMniverse架构）/刚体动力学

目标：打通仿真 - 真机部署的数据闭环；模型评估与部署工具链。

5、原力无限

可惜也不需要仿真，但是看到一个搭建仿真环境的算法岗位

这个岗位的描述大白话版：

powershell 复制代码

一句话：把真实世界的场景，做成仿真里能用的 3D 数字孪生资产，打通「真实数据 → 仿真场景」的全流程。
它叫 Real2Sim 算法岗，目标是解决机器人 / 自动驾驶里的核心痛点：
现实里采集的图像 / 视频数据，没法直接给仿真器（比如 Isaac Lab、Carla）用
它要把这些数据 "翻译" 成仿真能直接加载的 3D 场景，让机器人在仿真里练完，能直接用到真机上（Sim2Real）

岗位职责大白话版：

powershell 复制代码

1. 用相机数据重建 3D 世界
基于多视图图像 / 视频 / RGB-D 数据进行 3D 场景与物体重建
就是用普通相机、深度相机拍一堆照片 / 视频，把现实里的场景（比如办公室、工厂、道路），在电脑里重建出完整的 3D 模型。
核心工具就是后面提到的 COLMAP、SfM/MVS 这些。

2. 工程化优化这些重建算法
工程化使用并优化：
Feature Matching / SfM / MVS（如 COLMAP、SuperPoint / SuperGlue 等）
Neural Rendering（NeRF / SDF / 3D Gaussian Splatting）

【解释：
Feature Matching 特征匹配；
SfM（运动恢复结构） 
MVS（多视图立体匹配）NeRF（神经辐射场) 
3D Gaussian Splatting（3DGS）
SDF（符号距离函数 】
说白了，就是不能只会调开源工具，得能把它们改成工业级能用的：
用 SuperPoint/SuperGlue 这些做图像特征匹配，把照片对齐、算出相机位置
用 COLMAP 跑 SfM/MVS，生成稀疏 / 稠密点云
用 NeRF/3DGS 这些神经渲染方法，做高保真的 3D 重建
还要解决速度慢、鲁棒性差、工业场景不适用的问题

名词解释：

bash 复制代码

一、Feature Matching（特征匹配）
一句话：它是让多张照片 "认出同一个东西" 的技术，是所有 3D 重建的地基。
它会在每张照片里提取出独特的 "特征点"（比如杯子把手的拐角、桌角的纹理），然后在所有照片里把这些特征点一一对应起来，建立匹配关系。

二、Neural Rendering（神经渲染）
一句话：用神经网络把真实世界 "数字化"，再渲染出照片级别的新视角画面，是现在 3D 重建的 "黑科技"。
1. 它到底在干嘛？
传统 3D 重建（比如 COLMAP）只能生成点云、粗糙的 Mesh，很难还原真实的光影、纹理。而 Neural Rendering 是这么做的：
用一堆不同角度的照片训练一个神经网络
这个网络会学习场景里每一个点的颜色、密度、光照
你随便给它一个新的相机视角，它就能合成出一张 "看起来像真的" 的照片
岗位里提到的：
NeRF（神经辐射场）：最经典的神经渲染方法，能生成超高保真的新视角图像。
3D Gaussian Splatting（3DGS）：现在最火的技术，比 NeRF 快 100 倍，还能实时渲染，是仿真场景重建的新宠。
SDF（符号距离函数）：另一种 3D 表示方式，能生成平滑、带体积的 Mesh，适合做仿真碰撞体。
2. 为什么这个岗位需要它？
传统重建的场景，要么太糙（点云 / 低模），要么太占空间（高精度 Mesh），没法直接给仿真用。
神经渲染可以：
生成照片级别的高保真场景，让机器人训练更真实
转换成轻量的仿真资产（比如简化的 Mesh、碰撞体）
解决真实场景到仿真场景的 "数字孪生" 问题，打通 Real2Sim

总结：Feature Matching：负责从一堆照片里，算出相机在哪里、场景的几何结构是什么，搭好骨架。
Neural Rendering：负责给骨架 "贴皮"，还原真实的光影、纹理，甚至生成仿真友好的模型。
两者结合，就是岗位里说的「基于真实数据，重建出可用于仿真的 3D 场景」。

技能点：特征匹配、运动恢复结构、多视图立体匹配；工具（COLMAP、SuperPoint / SuperGlue）；神经渲染，工具（NeRF / SDF / 3D Gaussian）；issac；

需求：将真实场景重建为轻量的仿真资产场景，还原光影、纹理。

6、千寻智能

技能点：on-policy（在线策略学习 / 在线强化学习）；close-loop（闭环仿真）;搭建real2sim的数字衍生仿真环境

解释：

c 复制代码

开环（Open-loop）评测：只测单个模块，比如：
单独测相机识别准确率
单独测控制算法的跟踪误差
这些都是 "局部指标"，不代表整个机器人能正常干活。

闭环（Close-loop）评测：把所有模块串起来，像真机一样跑，看最终结果：
比如：机械臂从相机识别目标 → 规划路径 → 抓取动作 → 成功放到指定位置，这一整条链路都跑通，才算一次成功
指标不是 "识别准确率 99%"，而是 "100 次任务里，真正成功完成了多少次、碰撞了多少次、超时了多少次"

benchmark 评测
比如在 OpenAI Gym、MuJoCo、Isaac Gym 的标准任务上跑
用固定的环境、固定的初始化、固定的评估脚本，看算法的回报值、成功率
优点：公平、可复现、好对比；缺点：场景简单、固定，和真实机器人要面对的复杂场景差很远
"不仅是 benchmark" 是什么意思？
就是说：
你不能只会在这些标准环境里刷分、调超参数
你要能在自己搭建的、真实 / 复杂的、非标准化的场景里，做系统级的评测
比如：
你自己用 Real2Sim 建了一个工厂的仿真场景，里面有各种障碍物、动态物体、光照变化
你要在这个场景里，给机械臂做闭环评测：测不同光照、不同位置、不同物体的抓取成功率、碰撞率、鲁棒性
这些场景不是现成的 benchmark，需要你自己定义评测指标、写评测脚本、设计实验方案
为什么岗位要这个？

7、魔法原子

不需要仿真，只要机械的仿真

8、树根互联

技能点：issac、unity、3DGS

9、智元机器人（不是杭州岗位）

技能点：issac、NeRf、3Dgs三维重建

总结：

1、当前杭州的机器人仿真岗位并不多。个位数。

2、杭州当前的机器人龙头企业如宇树、云深处并不需要仿真。

3、机器人仿真的技能点总结：a、Issac sim b、3DGS场景重建,搭建real2sim场景库；c、 NeRf；d、on-policy、close-loop仿真，使用场景库进行一段式闭环在线强化学习仿真。e、进阶：COLMAP/SuperPoint / SuperGlue；NeRF / SDF / 3D Gaussian;

最终总结：

1、当前机器人的仿真需要：step1 使用issac进行简单场景仿真；2、建设sim2real仿真场景库；3、搭建on-policy、close-loop仿真平台，使用sim2real的场景库进行仿真。