UP简历小U

+86 138-xxxx-xxxx|your.email@example.com|北京

资深机器人步态算法工程师，专注于人形机器人步态控制与强化学习应用。具备扎实的动力学建模、运动规划及传感器融合能力，尤其擅长利用强化学习在复杂崎岖路面实现双足机器人稳定步态切换。熟练掌握ROS、Gazebo、PyTorch等工具，致力于推动机器人自主运动与智能控制技术创新。

某知名机器人公司

2021-08 - 2024-05

主导人形机器人步态控制算法研发，专注于提升机器人在复杂崎岖地形的稳定性和适应性。
负责基于强化学习（Reinforcement Learning, RL）的步态控制器设计与优化，成功在模拟环境中实现双足机器人对未知崎岖路面的自适应稳定步态切换，相比传统方法，步态稳定性提升25%。
设计并实现了多模态传感器融合（IMU、力传感器、视觉）方案，提升了机器人对环境感知的准确性，使机器人能够实时调整步态参数，穿越15度坡度及5cm高差障碍物。
优化机器人动力学模型与运动规划算法，将控制周期缩短至2ms，降低了10%的计算延迟，显著提升了步态响应速度。
指导并参与了机器人OS (ROS) 平台下的 Gazebo 仿真环境搭建与调试工作，完成3个新模块的集成与测试，确保算法在硬件上的快速部署。
通过持续的算法迭代与系统优化，将人形机器人在非结构化环境下的平均行走速度提升了15%，同时降低了20%的能量消耗。

个人研究项目

2020-03 - 2021-06

项目背景：针对传统步态控制算法在复杂崎岖路面适应性差的问题，探索利用深度强化学习提升人形机器人步态鲁棒性。
个人职责：作为核心算法工程师，负责整体算法架构设计、模型训练与仿真验证。
技术实现：
- 构建了基于PPO (Proximal Policy Optimization)算法的强化学习框架，利用PyTorch实现。
- 设计了包含地形感知、关节位置、速度、力矩等多维度的状态空间和连续动作空间。
- 在Gazebo仿真环境中，通过数百万步的交互训练，使双足机器人学会在随机生成的崎岖地形上保持稳定行走。
项目成果：
- 成功训练出能在坡度±20°、障碍高度10cm的复杂地形上稳定行走的步态控制器，平均跌倒率降低40%。
- 该控制器在未知地形上的泛化能力显著优于基于模型预测控制（MPC）的传统方法，步态调整响应时间缩短30%。
- 相关研究成果发表于IEEE国际机器人与自动化会议 (ICRA)，并获得最佳论文提名。

硕士毕业设计

2019-09 - 2021-05

项目背景：开发一套能够使多足机器人在复杂障碍物环境中实现自主运动规划和避障的系统。
个人职责：负责整体系统架构设计、算法选型、核心模块开发与测试。
技术实现：
- 采用A*算法进行全局路径规划，结合DWA (Dynamic Window Approach)进行局部实时避障。
- 利用Lidar和深度相机进行环境感知，通过Kalman滤波融合传感器数据，提高定位精度。
- 在ROS平台上搭建系统，并使用Python和C++进行编程实现。
项目成果：
- 机器人能够在包含30%障碍物覆盖率的复杂环境中，以95%的成功率完成目标导航，平均避障时间缩短20%。
- 系统在真实多足机器人平台上进行了验证，实现了对动态障碍物的实时避让，路径规划效率提升18%。