· 研发面向人形机器人及通用机器人的学习型视觉运动策略（Visuomotor Policy），实现从环境感知到机器人动作的端到端学习。
· 开发抓取、搬运、物体重定向、开门、双臂操作及基础装配等机器人操作能力。
· 研究并应用 Behavior Cloning、强化学习、VLA及Policy Learning 等方法，实现机器人操作能力的规模化学习。
· 针对传感器噪声、部分可观测、接触动力学及环境变化等真实世界挑战，研发具有高鲁棒性的机器人策略。
· 负责从真实机器人数据采集、数据集构建、模型训练、评测到机器人部署及闭环优化的完整技术链路。
· 利用仿真及数字孪生开展规模化训练和 Sim-to-Real，同时以真实机器人性能和实际部署效果为核心目标。
· 与感知、基座模型、规划、控制、系统及硬件团队紧密合作，将学习型策略集成到完整机器人系统。
· 研究学习型方法与经典机器人方法之间的技术边界和协同方式，构建可靠、可扩展的机器人自主能力。
· 跟踪 Robot Learning、VLA及Embodied AI前沿技术，并推动最新科研成果在真实机器人平台上的落地。