【北斗】具身智能动力系统算法工程师

北京/深圳 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

【岗位要求】
1.博士学历，电气工程、自动化、控制科学与工程、机械电子工程或相关专业。
2.具备电机/电驱算法领域扎实的理论基础和工程实践经验，熟悉永磁同步电机控制（FOC、弱磁、SVPWM等）。
3.具备优秀的C/C++代码能力和嵌入式开发经验（ARM/Cortex-M、DSP）。
4.有复杂系统电机控制项目经验（人形机器人关节驱动、无人机电推进系统等）优先。
5.在国际顶级会议或期刊（IEEE TPEL、TIE、ICRA、IROS等）发表一作论文优先。
6.熟悉各种功率器件、不同种类电机控制、嵌入式AI推理部署、强化学习或大模型微调等技术优先。
7.具备良好的沟通协作能力，能与硬件、结构、软件、算法、功能安全等跨领域团队紧密配合。
【岗位吸引力】
1.美团具身智能战略核心承载，电机控制算法直接驱动无人机和下一代机器人商业化落地。
2.前沿技术全栈自研（GaN电调、双绕组电机、弱磁扩速）。
3.真实业务规模（70条航线、78万单真实飞行数据）。
4.AI-Native团队氛围，探索AI增强控制新范式。
5.小团队大空间，优秀博士人才可快速成长为细分技术领域负责人。

岗位描述

【岗位职责】

美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人机是全球率先实现城市低空配送常态化运营的团队。我们正将具身智能技术引入大规模真实物理场景，探索"让机器像人一样理解世界、自主行动"的下一代智能体。

在该岗位中您将负责：

1.负责无人机及具身智能机器人动力系统的电机/电驱算法研发，面向复杂系统场景（多自由度关节驱动、高动态响应、高可靠运行），开展电机控制算法设计、优化与工程化落地。
2.开展永磁同步电机FOC控制、电机控制器嵌入式开发、电机状态估计与故障诊断、振动抑制与噪声优化等算法研发工作。
3.探索大模型与强化学习在电机参数自适应整定、在线学习优化中的应用，构建数据驱动的AI增强控制新范式。
4.与公司具身智能战略深度协同，支撑关节电机、电驱动总成等动力系统的全栈自研能力构建。

【任职要求】

【岗位要求】

1.博士学历，电气工程、自动化、控制科学与工程、机械电子工程或相关专业。
2.具备电机/电驱算法领域扎实的理论基础和工程实践经验，熟悉永磁同步电机控制（FOC、弱磁、SVPWM等）。
3.具备优秀的C/C++代码能力和嵌入式开发经验（ARM/Cortex-M、DSP）。
4.有复杂系统电机控制项目经验（人形机器人关节驱动、无人机电推进系统等）优先。
5.在国际顶级会议或期刊（IEEE TPEL、TIE、ICRA、IROS等）发表一作论文优先。
6.熟悉各种功率器件、不同种类电机控制、嵌入式AI推理部署、强化学习或大模型微调等技术优先。
7.具备良好的沟通协作能力，能与硬件、结构、软件、算法、功能安全等跨领域团队紧密配合。

【岗位吸引力】

1.美团具身智能战略核心承载，电机控制算法直接驱动无人机和下一代机器人商业化落地。
2.前沿技术全栈自研（GaN电调、双绕组电机、弱磁扩速）。
3.真实业务规模（70条航线、78万单真实飞行数据）。
4.AI-Native团队氛围，探索AI增强控制新范式。
5.小团队大空间，优秀博士人才可快速成长为细分技术领域负责人。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →