最近看机器人招聘，会发现一个挺明显的变化：以前人形机器人公司招人，大家第一反应是VLA、世界模型、强化学习、视觉算法。

现在越来越多公司开始把招聘重点放到一个看起来没那么“性感”的方向：运动控制。

而且不是简单的“会PID、会伺服”的控制工程师，而是开始寻找懂机器人动力学、WBC、MPC、强化学习、力控、Sim2Real，并且真正上过真机的人。

为什么？

因为机器人行业正在从一个阶段进入另一个阶段：

以前大家在证明机器人“能不能动”，现在开始解决机器人“能不能稳定地动”。

这两件事，差别非常大。

---

一、VLA再聪明，最后还是要靠运动控制把动作做出来

现在很多人讨论具身智能，会把注意力放在VLA上。

输入：视觉+语言+机器人状态

输出：动作或者策略。

比如：

“把桌上的杯子拿起来。”

VLA可以理解任务，也可以生成高层动作。

但真正到了机器人关节这一层，问题马上变成：

• 手臂往哪里走？
• 关节应该转多少？
• 脚应该落在哪里？
• 身体怎么保持平衡？
• 接触物体的时候应该施加多大力？
• 突然受到外力以后怎么恢复？

这些问题最终都要落到机器人运动控制系统。

所以可以简单理解：

VLA解决“想做什么”，运动控制解决“怎么让身体真正做出来”。

这也是为什么具身智能越往真机走，运动控制的重要性反而越来越高。

---

二、真正困难的不是“让机器人动”，而是让它每次都动得一样

实验室里让机器人完成一次动作，并不算特别困难。

真正进入产品阶段以后，标准会完全不同。

比如机器人抬腿。

• 第一次成功了。
• 第二次成功了。
• 第三次也成功。

但如果连续运行几万个周期以后，关节温度发生变化、摩擦发生变化、传感器存在噪声，机器人还能不能稳定？

再比如机械臂抓取。

实验室里成功率95%。

但换一个物体、换一个位置、换一个光照环境以后，成功率还能不能保持？

这时候控制算法需要处理大量真实世界的不确定性：

动力学模型误差、摩擦、柔性、关节间隙、传感器噪声、通信延迟、执行器限制、外部扰动。

这些东西不会出现在一张漂亮的模型结构图里。

但会真实地出现在机器人身上。

所以机器人公司开始重新认识到：运动控制不是让机器人“动起来”的底层模块，而是让机器人“稳定完成任务”的核心能力。

---

三、人形机器人尤其缺运动控制人才

为什么这两年运动控制岗位在明显升温？

一个重要原因就是：人形机器人把控制问题复杂化了。

传统机械臂很多时候是在固定底座上工作。

人形机器人则不同。

它可能需要同时处理：双足行走+身体平衡+双臂运动+手部操作+外部接触。

一个动作就可能涉及整个身体。

例如机器人弯腰拿东西。

腿部要调整姿态。

躯干要保持平衡。

手臂要伸出去。

手还要进行抓取。

如果手碰到物体以后产生反作用力，身体又需要重新调整。

这就不是简单的单关节控制。

而是：Whole-Body Control（全身控制）。

所以现在真正有价值的运动控制人才，往往需要同时理解：

运动学、动力学、MPC、WBC、QP、阻抗控制、力控、状态估计以及强化学习。

这也是传统“运动控制工程师”和新一代“机器人运动控制工程师”之间越来越明显的区别。

---

四、为什么强化学习人才也开始和运动控制岗位交叉？

这是现在招聘里一个很明显的趋势。

以前大家容易把：强化学习=算法；运动控制=传统控制

分开来看。

但在机器人领域，两者正在逐渐融合。

例如机器人行走、运动技能学习、复杂动作生成，都可以使用强化学习。

但训练出来的策略最终还是需要：

仿真→Sim2Real→真机部署→控制器执行。

如果一个强化学习工程师只会训练Policy，却不理解：

动力学、执行器、控制频率、状态估计、延迟、接触模型

那么模型到了真实机器人上，很容易遇到问题。

反过来，一个传统控制工程师如果完全不了解RL，也可能很难适应现在越来越复杂的运动策略。

所以企业现在真正抢的，并不是简单的：

“会强化学习的人。”

而是：

“懂强化学习，同时真正懂机器人控制的人。”

这种交叉型人才才是招聘市场里最难找的一类。

---

五、运动控制为什么特别看重“真机经验”？

这个岗位有一个很特殊的地方：

很多能力很难靠面试聊出来。

简历上写：

MPC / WBC / RL / Sim2Real / ROS2

看起来都很好。

但真正做过机器人控制的人知道，上真机以后才是真正的开始。

比如：

仿真里机器人走得很好。

真机一跑开始左右晃。

怎么办？

可能是动力学参数不准。

也可能是IMU噪声。

也可能是关节摩擦模型不对。

还可能是控制频率、通信延迟或者执行器响应造成的。

再比如理论上的轨迹完全正确，但机器人实际运动存在明显误差。

工程师需要判断：

到底是算法问题，还是机械、电机、减速器、编码器或者系统延迟的问题？

这种判断能力不是看几篇论文就能获得的。

所以现在很多机器人企业招聘运动控制，开始非常强调：

真机经验。

---

六、这也是为什么汽车、电驱、工业机器人、无人机人才开始进入人才地图

机器人公司抢运动控制人才，并不意味着只能从“机器人公司”里面找。

实际上，很多成熟行业已经培养了大量相关人才。

比如：

工业机器人

长期积累了运动学、轨迹规划、伺服控制、机器人控制器人才。

汽车电驱

积累了电机控制、FOC、执行器、实时控制以及功能安全人才。

无人机

积累了姿态控制、状态估计、动力学、实时控制人才。

自动驾驶

则积累了规划、预测、强化学习以及复杂系统算法人才。

这些人的技术背景并不完全相同。

但当机器人开始向复杂运动控制发展以后，人才之间的边界正在变得越来越模糊。

真正专业的机器人招聘，已经不能只问：

“有没有机器人公司经验？”

而应该问：

“这个人的技术能力，能不能迁移到机器人控制问题？”

---

七、但企业也容易在这里踩一个坑：把“控制经验”当成“机器人运动控制能力”

这两者并不完全一样。

一个人可能非常擅长：

电机FOC、PID、伺服控制。

这说明他控制基础很好。

但如果岗位需要的是：

人形机器人WBC+MPC+动力学+真机运动控制，

两者之间仍然有明显差距。

同样，一个人做过强化学习，也不意味着他就一定能做好机器人运动控制。

真正需要拆开的，是几个能力层级：

第一层：基础控制

PID、FOC、位置/速度/电流环等。

第二层：机器人控制

运动学、动力学、轨迹规划、MPC、阻抗控制。

第三层：全身运动控制

WBC、QP、接触规划、多任务协调。

第四层：学习控制

RL、IL、Sim2Real、Policy Learning。

第五层：真机闭环

把上面这些东西真正部署到机器人上，并解决实际运行中的问题。

企业真正抢的，越来越是后面几层。

---

八、从招聘趋势看，运动控制正在从“底层岗位”变成“核心岗位”

以前很多公司会把运动控制理解成：

机器人底层工程岗位。

现在情况正在变化。

因为机器人能力越往复杂任务发展，越需要一个稳定的“身体”。

可以把整个机器人简单理解成：

感知 → 决策/策略 → 运动规划 → 运动控制 → 执行器 → 机器人身体

VLA和世界模型不断往上走。

但越往下，越不能脱离真实物理世界。

最终：

算法必须接受动力学约束。

策略必须接受执行器约束。

动作必须接受真实世界的接触和摩擦。

所以运动控制恰恰是连接：

AI算法和物理世界

的那座桥。

---

九、从猎头角度，未来最值钱的可能是这类“复合型运动控制人才”

不是简单的：

“做过5年运动控制。”

而是：

控制基础扎实 + 懂机器人动力学 + 有WBC/MPC经验 + 能做RL/Sim2Real + 上过真机。

再进一步，如果这个人还理解：

关节模组、电机、减速器、编码器、驱动器以及整机系统，

价值会继续往上走。

因为这种人已经不只是一个算法工程师。

他开始具备：

从控制算法一直看到执行器和整机的能力。

而这恰恰是现在机器人企业非常缺的一种人才。

---

David的判断：机器人越“聪明”，运动控制反而越重要

很多人会觉得：

未来VLA越来越强，机器人是不是就不需要传统控制了？

我反而觉得恰恰相反。

AI负责让机器人知道：

“我要做什么。”

但机器人最终还是要面对：

重力、惯性、摩擦、碰撞、延迟、温度、噪声和执行器极限。

这些东西不会因为模型变大而消失。

所以未来机器人真正的技术竞争，很可能不是：

AI和控制二选一。

而是：

AI+控制+执行器

越来越深地融合。

这也是为什么机器人公司现在开始抢运动控制工程师。

VLA决定机器人“想得有多聪明”，运动控制决定它“身体能不能跟得上”。

而真正稀缺的人，是能够把这两件事情接起来的人。