端到端感知算法学员_BCSC

项目背景： 当前自动驾驶技术正经历从“模块化架构”向“端到端范式”的底层逻辑演进。区别于传统的解耦模式，端到端模型致力于通过统一的深度学习架构，实现从原始传感器数据到控制信号或行驶轨迹的直接映射。该技术方案旨在通过全局最优的参数学习，显著提升系统在复杂环境下的泛化能力，并为用户提供更加类人且高性能的驾驶体验。 核心内容： 多模态大模型研发： 参与构建基于多模态大模型的端到端驾驶决策模型，探索如何高效融合视觉、点云等多种感知信息，以实现更高维度的驾驶决策逻辑。 闭环训练与行为优化： 协助搭建大规模仿真与真实世界相结合的闭环训练平台，运用强化学习与模仿学习算法对驾驶行为进行持续迭代，确保模型在长尾工况下的表现稳定性。 安全性与可解释性攻关： 深入研究深度学习模型的可解释性方案，设计严谨的安全护栏机制，在追求算法前沿性的同时，确保系统输出严格符合车规级功能安全标准

1. 01

   计算机或相关专业，扎实的C/C++/python代码开发能力；

2. 02

   熟悉linux开发环境，有ROS/ROS2/其他车载中间件或网络编程经验尤佳；

3. 03

   熟悉 PyTorch，了解 Transformer架构以及多卡训练流程 有如下任意经验亦可：

4. 01

   参与过自动驾驶感知/预测/规划/控制/定位中任意模块开发；

5. 02

   有自动驾驶仿真相关知识，包括OpenX系列标准，开源仿真平台比如Carla使用经验等；

6. 03

   车辆动力学建模、传感器建模经验；

7. 04

   使用过 Waymo或相关自动驾驶轨迹数据集