自动驾驶轨迹预测算法工程师（L4）

负责设计、实现与优化自动驾驶系统中各类动态障碍物（车辆、行人、两轮车等）的未来轨迹预测算法，支持城市道路、高速道路及复杂路口等场景下的安全决策。

研究并落地基于深度学习的多模态轨迹预测模型（如Transformer、GNN、VAE、扩散模型等），处理意图不确定性与多可能轨迹分布。

构建车‑车、车‑路、车‑行人之间的交互推理模块，利用图神经网络、注意力机制或逆强化学习等方法提升预测在拥挤场景下的准确性。

参与大规模真实路采数据的处理、标注策略设计、评价指标定义及模型迭代。

与感知、定位、决策规划团队协作，将预测模块高效集成至自动驾驶软件栈，满足实车部署的低延迟与高可靠性要求。

针对嵌入式或车载计算平台进行模型压缩、算子加速与工程落地，确保预测模块在有限计算资源下的实时性。

跟踪机器人学、计算机视觉及自动驾驶领域最新进展（如CoRL、ICRA、CVPR等顶会论文），推动可解释预测、不确定性估计及闭环评估技术的落地

硕士及以上学历，计算机科学、自动化、机器人、人工智能、应用数学或相关专业，博士优先。

扎实的编程能力，熟练掌握Python/C++，熟悉Linux环境下的开发与调试。

精通至少一种深度学习框架（PyTorch/TensorFlow），能独立完成模型搭建、训练、评测与部署。

深入理解至少几类主流轨迹预测方法：如LSTM Ego-centric、MultiPath、TNT、Scene Transformer、HiVT，等等。

具备良好的数学基础（概率论、线性代数、最优化）。 加分项 1.有自动驾驶实车落地经验，熟悉预测模块在量产方案中的挑战（如长尾场景、遮挡恢复、计算资源限制）。 2.3年以上自动驾驶轨迹预测、行为预测或相关领域算法研发经验（优秀应届生可基于论文/竞赛/实习经历破格考虑）。

熟悉预测领域的评价指标（如minADE、minFDE、MR、EPA等）及其适用场景。

发表过轨迹预测、行为决策、多智能体交互相关的高水平论文（CVPR, ICCV, ECCV, ICRA, IROS, NeurIPS, CoRL等）。

熟悉自动驾驶开源仿真器（如CARLA、SUMO、Metadrive）或预测评估框架。

掌握概率图模型、高斯过程、贝叶斯推断等不确定性建模方法。

具备CUDA或TensorRT优化经验，有模型ONNX导出、量化、剪枝等实际工程经历