【AFARI-X】智能驾驶ADAS算法工程师

负责端到端主动安全模型的算法研究与工程落地，涵盖端到端自动驾驶、深度强化学习等方向，推动前沿算法从原型验证到量产级应用的全流程；

负责数据驱动的ADAS功能算法研发，包括但不限于AEB、AES、LKA等主动安全功能的需求分析、模型架构设计、算法开发与性能调优；

负责端到端算法的设计、模型训练、自动化标注与数据闭环建设，搭建从数据到模型的高效迭代链路；

跟踪自动驾驶与AI领域顶会前沿成果（CVPR、NeurIPS、CoRL、ICML 等），完成关键技术的复现、改进与产品化落地；

聚焦自动驾驶长尾与极端工况问题，通过算法创新提升主动安全功能的泛化能力、鲁棒性与安全边界；

与仿真、数据、部署等团队协同，推动算法在仿真闭环验证与实车场景中的迭代落地

车辆、计算机、自动化、机器学习、人工智能、机器人、应用数学等相关专业硕士及以上学历；

具备扎实的数学基础（最优化、概率统计、矩阵论等）和算法功底，熟练使用 Python，了解 C/C++，有良好的数据结构与算法基础；

熟练掌握至少一种深度学习框架（PyTorch、TensorFlow 等），具备多机多卡大规模分布式训练经验，有端到端模型或大模型相关项目经历；

对深度学习经典方法与最新进展有系统性理解，在以下任一方向有深入研究： • 端到端自动驾驶 / End2End Planning • 深度强化学习（RLHF、PPO、SAC、DreamerV3 等） • 模仿学习（Imitation Learning） / 离线强化学习 • 基于图像或视频的强化学习与表征学习 • 世界模型 / 扩散模型 / VLA 在决策规划中的应用 • 预测、决策与路径规划

在 CVPR、NeurIPS、CoRL、ICML 等顶级会议或期刊以第一作者发表过高水平论文者优先；

熟悉自动驾驶仿真工具链（CARLA、nuPlan、Waymax 等），掌握场景生成、场景挖掘与闭环测试方法者优先；

具有 End2End Planning、RLHF、Imitation Learning、Image-based Reinforcement Learning 等研究经历者优先；

有较强的工程实现能力，能够将研究成果转化为可迭代、可部署的算法模块者优先；

具备良好的英文文献阅读与写作能力，有独立科研能力、创新思维与团队协作精神