自动驾驶感知端到端算法工程师

岗位职责 端到端模型研发： 研究端到端模型如SSR / EMMA / DriveTransformer 以及VLM/VLA 模型在自动驾驶中的应用，主导智能驾驶感知 / 决策 / 规划与控制一体化算法设计，结合具体功能 / 业务需求设计多层评估指标，推动数据驱动的自动驾驶技术商业化落地，实现从环境感知到车辆控制的闭环优化； 多模态环境重建 ：收集/整理和标注大规模的 4D 环境数据，构建高质量训练数据集，覆盖不同场景、天气、光照条件下的多传感器数据，增强模型泛化能力；基于相机、激光雷达、毫米波雷达，IMU等多传感器数据，设计并开发高性能 端到端 4D 环境重建算法，搭建高性能深度学习模型（VGGT / Uni4D等），实现从多源数据中精准重建含时间维度的环境模型；LIO/LIVO/VIO SLAM 建图算法开发，优化多动态目标干扰场景下的建图精度，构建高精度 4D 地图； 高性能预标注模型研发 ：高性能预标注模深入钻研前沿的动态障碍物、静态障碍物以及 Occupancy（Occ）检测与标注算法，结合最新研究成果与项目需求，设计创新的预标注模型架构；探索多模态数据融合（激光雷达点云与视觉图像融合），提升动态障碍物检测精度与速度；分析现有算法在不同场景下的性能表现，针对光照变化剧烈、遮挡严重等复杂情况，制定静态障碍物检测算法优化策略；构建大规模数据集，完成数据清洗、标注和预处理，运用数据增强技术扩充数据集；设计全面的模型评估方案，根据评估结果与实际反馈，持续优化预标注模型，提高标注准确性和效率； 数据闭环与场景优化： 统筹数据采集、标注、仿真及真实场景测试的闭环迭代，结合环境重建与预标注模型，优化算法在城区复杂路况、高速行驶、自动泊车等场景下的泛化能力； 算法部署与性能优化： 解决传感器数据同步、算法兼容性等工程问题，确保系统稳定运行；优化云端/车端算法及多模型融合系统，平衡实时性与精度需求

教育与经验： 计算机、人工智能、自动化、电子工程等相关专业硕士及以上学历，5 年以上自动驾驶算法研发经验； 技术能力： 熟练使用 PyTorch/TensorFlow 等深度学习框架；熟练掌握 SLAM 算法原理（LIO/LIVO/VIO）、单目深度估计、多视图几何/ 匹配 以及 滤波与优化算法；熟悉 FAST-LIO、LIO-SAM、FAST-LIVO 等开源框架，具备二次开发能力；熟练使用 ceres、g2o、gtsam；熟悉BEV（Bird's Eye View）、Occupancy Networks、Vectorized HD Map等主流感知算法架构；熟悉nvidia 生态工具链(CUDA、tensorRT，DALI，DeepStream等)，具备算法全流程部署经验； 有实际项目落地经验，能够独立完成从算法设计、开发到量产的全周期工作； 学习与创新： 对自动驾驶前沿技术有强烈探索欲，对数据驱动有一定的理解，具备多模型融合策略设计能力，能快速将新技术应用于产品迭代