整合多团队反复处理的共性问题
- WHAT CHANGED
- 统一代码、运行框架、发版、回放与知识入口
MY SCOPE0→1 组建感知系统团队
WORK TIMELINE · 2019—2026 · ROBOTICS SYSTEMS / EMBODIED AI
用系统工程与数据闭环，建设
可交付、可迭代的机器人系统
用系统工程提升交付效率和稳定性，用数据与评测驱动模型和系统持续迭代
MiaoDX · HANDS-ON SYSTEMS LEAD · 简历
2019—2025 H1
自动驾驶量产交付 → 团队建设 → 规模化工程治理2025
机器人系统交付整机集成 → 任务优化 → 数据与评测2026 → NOW
模型到真机微调与适配 → 受控执行 → 机器验收开场先给长期定位，不强调身份型标签。默认根据岗位选择负责人版或 hands-on 版路线，三到八分钟均可结束并转入岗位讨论。
THE MAP · ROLE & SYSTEM EVOLUTION
岗位在变，两条工作主线没有变
系统工程解决交付效率与稳定性，数据与评测推动模型和系统持续迭代
ORIGIN · 2019—2021第一次量产DeepMotion · 算法工程师
ONSITE DELIVERY负责上汽合作项目现场交付一年多算法方案、现场问题、最小数据闭环与端侧性能
FIRST LESSON算法效果只是起点现场可运行、问题可闭环、客户可验收，才算交付
让规模不再放大质量与性能风险
- WHAT CHANGED
- 测试左移、自动路由、整机资源预算与持续运行
MY SCOPE团队负责人 · 系统工程与量产交付
从新领域切入机器人系统交付
- WHAT CHANGED
- 专项测试、整机性能、任务优化、数据与评测
MY SCOPE横向整机系统 + 纵向一类任务
把公开模型能力带进自有真机任务
- WHAT CHANGED
- π0.5 与 G2 真机链路 + RoboClaws 执行 + RoboHarness 验收
MY SCOPE模型、执行、验收三层闭环
负责人岗位默认从本页进入团队建设页；hands-on 或 Staff 岗位默认进入机器人交付与模型到真机页。
从 0 到 1：用小团队建立统一的感知系统工程
把反复发生的板端集成、平台迁移、版本发布、性能治理与排障，沉淀为共用工程底座和明确的模块责任
WHY
共性工作依赖少数关键人员
多平台、多车型频繁迁移；各团队重复建立上下文，交付与排障难以规模化
MY SCOPE · 最多 9 人
统一工程底座，让成员负责完整系统模块
CODEone-repo 与统一运行框架
TOOLING自动发版、回放、质量与性能工具
OWNERSHIP文档、Review、Owner 与问题路由
1→N一套代码支持多平台、多车型
1—2 天新成员通常提交首个有效修改
95%静态检查覆盖率
团队真正成立的标志，是负责人转岗后系统仍能持续运行 代码、工具、流程与模块负责人继续发挥作用
直接管理规模是最多 9 人；百人级是平台与机制影响范围，不表述为直接管理。人员成长与继任案例在面试中按需展开。
从 1 到 N：把质量和性能变成持续运行的机制
高频变更、百人级协作和资源耦合，不再依赖发版前人工检查或少数人临时救火
WHY 01局部指标改善可能造成系统退化
WHY 02人工检查无法覆盖持续合入
WHY 03模型和任务竞争 CPU / GPU / 内存
让问题更早暴露
Change → SIL / DIL → 运行时检查在进入发版分支前拦截高成本问题把人工判断写进系统
堆栈分析 → 模块识别 → Owner 路由新判断继续进入规则从热点优化走向资源预算
帧率、时延、CPU / GPU / 内存统一口径调度、并行与分级规格共同取舍−98%版本平均 Crash 率，按每百万公里统计
≈1 天 → <1h平均定位并分发给责任人的时间
<1/5 算力覆盖约 80% 功能模块，按平台分级
“定位并分发”不是完整解决时间；低配覆盖按功能模块数量统计，不代表体验或模型规格完全等价。
2–3 周切入整机交付，随后端到端负责一类任务
从系统集成、性能和测试切入，逐步扩展到任务效果、版本节奏和交付结果
TRANSITION感知系统负责人 → 机器人业务迁移系统工程方法，重新学习垂域技术
RESPONSIBILITY三类工站整机系统 + 一类任务端到端交付横向负责共用集成与资源观测，纵向负责一类任务
专项能力测试
90+
覆盖定位、地图、导航等七类能力
整机集成与性能
P90 <60%
从 CPU 长期满载到可持续测试
端到端回归
每类 300+
稳定后自动出报告并移交测试团队
一类端到端任务平均单次时长：3.5 min → <2 min仅指本人负责的一类任务，不泛化到全部三类工站
CARRY FORWARD问题拆解、性能观测、测试和交付节奏可迁移，垂域技术需要重新学习并与专家协作
这页证明跨领域迁移速度与一类任务的端到端责任，不把横向整机责任说成所有算法模块的最终责任。
把数据生产、模型评测与真机部署接成研发闭环
共同围绕任务效果迭代；本人主责数据、评测与真机部署，模型团队主责架构与训练
MODEL & DATA：VLM 骨干 · waypoint 表示 · 单帧/多帧 · grounding · 多源仿真与 Digital Twin实线高亮：本人已验证的部署、数据生产与批量评测范围虚线：模型团队主责训练，双方用评测与真机证据共同收敛
2×单实例数据生产吞吐
百实例级云端批量数据生产与评测
DATA + EVAL共同证据进入下一轮研发决策
团队尝试了不同 VLM 骨干与动作输出方案，并对绝对坐标、增量坐标、距离-角度等 waypoint 表示，以及单帧、多帧和 grounding 数据配方进行对照。VLN 场景与数据来源包括 OmniGibson、Habitat、BEHAVIOR-1K、InteriorGS，以及自建场景与 Digital Twin；公开场景用于扩大覆盖，自建场景与 Digital Twin 补充更接近实际部署环境的验证。随着数据生产扩展到云端百实例级，再结合指标、轨迹、视觉结果和失败案例做版本评测，方案逐步收敛，并在真机目标导航中取得可用效果。模型部署连接传感器输入、推理、机器人接口与运控；较大的模型在云端执行，较小的模型可以在机器人板端运行。数据生产链中的 VLM 标签、多模型复核与人工异常处理属于数据生成和质检，不是模型评测。团队共同支持颜色与相对方位指令；序列与运行成本仍取决于序列化、量化、tokenizer 和词表设计。各环节主责需要说清，同时由团队共同对任务效果负责。
把一次评测变成可持续运行的测试系统
VLM 承担测试操作员，VLN 执行任务，Oracle 负责恢复；未知异常进入人工兜底
BEFORE测试人员控制循环观察、出题、移动机器人、整理结果
NOWVLM 承担测试操作员已部署并验证部分场景闭环
BOUNDARY未知异常进入人工兜底不把未处理异常包装成自动化成功
公开版不披露内部场景、模型名称和未确认规模。Endless Testing 已有内部部署与部分效果，但不把万级自动测试目标写成已经达成；面试时按可公开边界补充连续轮数、人工操作减少量与异常恢复情况。
模型、执行、验收：从公开能力到真机闭环
数据适配与微调形成模型能力，受控执行接入机器人，机器验收给出可追溯证据
01 · MODEL
把上游能力带到自有场景
DATA → FINE-TUNE → INFERENCE → SENSOR / CONTROL → G2
- 完成两组具体任务的微调与训练工程优化
- 打通推理、传感器、机器人接口与 G2 执行
02 · EXECUTE
开放目标落到受控能力
GOAL → AGENT → SKILL → MCP → ROBOT
- Agent 负责目标理解、规划与 Skill 选择
- Skill / MCP 暴露稳定、可观察、可调试的能力边界
03 · VERIFY
让研发 Agent 判断是否完成
CONTRACT → METRIC + VISUAL → BASELINE → PROOF PACK
- 完成条件、失败边界与证据格式前置
- 自动汇总证据，输出通过、失败或人工审批
MODEL / G2两组 π0.5 任务真机链路打通覆盖数据、微调、推理、场景适配与执行
MANIPULATION限定范围抓取成功率 >90%证明动作能力，不代表 Agent 端到端成功率
HARNESSRoboHarness · 部门 Hackathon 一等奖证明可执行验收方法与团队项目结果
PUBLIC-SAFE IMPLEMENTATIONS · RoboClaws · RoboHarness
AGIBOT World Challenge @ ICRA 2026 和 Genie Sim 3.0 只在讲稿中作为任务体系与工具链背景，主画面聚焦本人实际完成的两项任务。三组 proof 不共享成功率口径。
THE ANSWER · HANDS-ON TECHNICAL LEADERSHIP
系统工程支撑稳定交付
数据与评测驱动持续迭代
01 · DEFINE
定义边界与验收
说清系统范围、资源预算和任务成功标准
02 · OBSERVE
建立观测与证据
让指标、回放、仿真和真机回答问题在哪里
03 · CLOSE LOOP
把一次解决变成系统
通过自动测试、路由、恢复与评测持续运行
04 · SCALE
交给 Owner 与机制
从关键个人走向团队、平台与受证据约束的 Agent
NEXT · TWO DIRECTIONS机器人系统工程 / 数据与评测不限定单个 JD · 深入一线技术 · 从问题定义跟到真机验证和交付
DISCUSS · SYSTEM ENGINEERING / DATA + EVAL / TEAM BUILDING
收尾说明这次主要看机器人系统工程和数据评测两类机会，不要求对方当场给出明确任务或固定 JD。进入讨论时先理解团队当前的问题类型、协作方式和任务形成方式，再选择一条主线深入。