端到端模型算法研究员（Robotaxi方向）

负责Robotaxi自动驾驶端到端模型的算法研发、迭代优化与规模化业务落地，搭建基于模仿学习、强化学习的多任务统一训练框架，针对性提升模型在城市道路、接驳载客、复杂路况等Robotaxi核心运营场景的环境感知、场景理解与自适应决策能力。主导视觉-语言大模型与驾驶决策规划模型的端到端联合训练与优化，实现复杂交通场景下的精准因果推理、智能行为生成，输出贴合人类驾驶习惯、高可解释性、高安全性的驾驶决策与轨迹规划结果，保障Robotaxi商业化运营稳定性。

系统性跟踪自动驾驶端到端、生成式AI、世界模型等前沿技术演进方向，重点研究扩散模型、自回归生成模型在Robotaxi长尾极端场景生成、驾驶策略仿真、行车风险预测、交通参与者交互预判中的落地可行性与技术方案。负责将学术界前沿创新算法转化为适配Robotaxi量产运营的工业级解决方案，搭建从数据迭代、仿真验证、模型训练到实车测试、量产部署的完整技术闭环，通过持续的原型迭代与道路实测，探索适配Robotaxi全场景运营的高性能、强泛化、高安全的下一代自动驾驶端到端技术范式。

针对Robotaxi城市通勤、拥堵路段、人车混行、路口交互等高频复杂运营场景，专项优化端到端模型的鲁棒性与通用性，解决真实运营中的模型泛化不足、决策保守/激进、场景适配差等核心问题，支撑Robotaxi大规模商业化落地与常态化运营

计算机科学、人工智能、自动化、机器人、车辆工程等相关专业硕士及以上学历；

熟练掌握Python编程语言及PyTorch深度学习框架，具备扎实的深度学习算法功底和优秀的工程落地能力，能够独立完成模型训练、调优、迭代与部署适配工作；

深入掌握模仿学习、强化学习核心理论与落地方法，熟悉Diffusion扩散模型、自回归生成模型、世界模型等主流技术，具备Robotaxi自动驾驶端到端模型研发、场景适配、算法迭代相关经验者优先；

具备极强的前沿论文研读、算法复现与创新改进能力，拥有从算法研究、模型训练、仿真验证到实车落地的全链条研发思维，对自动驾驶端到端技术创新有高度热情和持续深耕的执着；

深刻理解Robotaxi载人自动驾驶的安全规范、运营场景特性与技术痛点，能够结合商业化落地需求开展算法研究与优化迭代。 加分项

在CVPR、ICCV、ECCV、NeurIPS、ICLR、ICML、TPAMI、RAL、ICRA等顶会/顶刊发表自动驾驶、端到端模型、生成式AI、强化学习相关论文；

拥有高质量AI、自动驾驶相关开源项目核心贡献或独立维护经验；

在ICPC、CCPC等权威算法竞赛中取得优异成绩，具备扎实的算法功底；

具备完整的Robotaxi/自动驾驶端到端模型研发、仿真测试、实车落地及量产迭代全栈经验；

有世界模型、扩散模型在自动驾驶驾驶策略、场景生成、风险预测方向的落地研究经验