Dynamics, System Identification & Estimation Engineer - PLA (Mensch)

Deine Mission \& Challenges

• Dynamic Model Accuracy Ownership: Du definierst Metriken für Modellgenauigkeit und verantwortest die Lücke zwischen Simulation und realem Hardware\-Verhalten – besonders bei dynamischen Bewegungen und kontaktreichen Interaktionen


• System Identification auf 4NE\-1 Hardware: Motor\-Konstanten, Gelenk\-Reibung, Getriebedynamik – Design von Anregungstrajektorien, Regressor\-Fitting, Observability\-Analysen, iterative Optimierung anhand echter Hardware\-Daten


• Simulation Model Authoring \& Maintenance: MuJoCo\- und Isaac\-Sim\-Modelle, die reales Verhalten unter Last und Kontakt abbilden; Parametrisierung von Kontaktmodellen, Kalibrierung von Aktuator\-Modellen


• Real\-Time State Estimation: Implementierung und Tuning von EKF/UKF für Pose, Velocity und Kontaktzustände (Floating Base) im Echtzeit\-Loop; Input für Controller und Loco\-/Manipulations\-Policies


• Sim\-to\-Real Pipeline: Parameter\-Estimation\-Loops, datengetriebene Kalibrierung aus Hardware, Validierung via Motion Capture oder externe Referenzen – kontinuierlicher Feedback\-Loop zwischen Hardware\-Tests und Simulation


• Failure Mode Ownership: Debugging von Fehlern aufgrund ungenauer Modelle – z. B. Instabilität durch falsche Dynamik, Drift/Bias in der Estimation oder fehlerhafte Kontakt\-/Kraftmodelle


• Cross\-Team Interface: Bereitstellen von aktualisierten Pinocchio\-Modellparametern für WBC\- und State\-Estimation\-Engineers; Abstimmung von Trajektorien mit Locomotion\- und RL/Control\-Teams

• MSc oder PhD in Robotik, Maschinenbau, Elektrotechnik oder ähnlichem – mit starkem Fokus auf Dynamik, Estimation und Regelung


• 4\+ Jahre Erfahrung mit State Estimation oder System Identification für Echtzeit\-Roboter – auf echter Hardware, nicht nur Simulation


• System Identification auf physischer Robotik\-Hardware: Trajektorien\-Design, Least\-Squares oder Maximum\-Likelihood Fitting, Identifikation von Aktuatoren und Transmissionen


• State Estimation Implementierung: EKF oder UKF für Floating\-Base Pose, Velocity und Kontaktzustände auf legged oder mobilen Plattformen


• Tiefe Kenntnisse in Rigid Body Dynamics: Kontaktmodellierung, Aktuatorverhalten und wie Modellfehler zu Instabilitäten führen


• Erfahrung in der Unterstützung von Control\-Systemen (MPC, WBC) oder gelernten Policies (RL) auf echter Hardware – Verständnis, wie Modellqualität den Transfer beeinflusst


• C\+\+ für produktive Echtzeit\-Systeme; Python für Analyse, Tooling und Kalibrierungs\-Pipelines

• Hands\-on Erfahrung mit Humanoiden oder legged Robots – 4NE\-1 ist ein Full\-Size Humanoid, bipedale Dynamik ist highly relevant


• Differenzierbare Simulatoren für gradientenbasierte System Identification (z. B. Brax, DiffTaichi oder ähnlich)


• Erfahrung mit Sim\-to\-Real Transfer: Domain Randomization, adaptive Kalibrierung, Residual Physics Models


• Pinocchio für Rigid\-Body\-Modelle und Sensitivitätsanalysen


• MuJoCo Model Authoring: MJCF Kontaktparameter, Aktuator\-Modelle, Tendon\-Dynamiken


• Factor\-Graph\-basierte Estimation (GTSAM, iSAM2\) für IMU \+ Kinematics Fusion


• Publikationen oder Open\-Source\-Beiträge in legged Robot Dynamics, System Identification oder Sim\-to\-Real

Diese Anzeige stammt von indeed. Originalanzeige ansehen ↗