智能驾驶安全感知算法实习生（有转正机会）

参与自动化标注模型的应用与迭代，支持智能驾驶场景下感知数据的自动化标注与结果生成；

协助开展多传感器数据的筛选、清洗与整理，支持训练集、验证集和评测集的构建；

参与数据集制作流程，包括自动化标注结果的组织、格式转换、数据对齐与版本管理；

对自动化标注结果进行质量检查与误差分析，定位漏标、误标、类别错误、框偏移、时空不一致等问题；

参与模型评测流程的搭建与维护，对前融合感知模型及标注模型的效果进行离线评测、指标统计和结果分析；

对模型 bad case 进行挖掘、归类与分析，支持数据迭代、标注模型优化和评测闭环建设；

编写数据处理、自动化标注、评测分析相关脚本或工具，提升数据生产与评测效率；

与感知算法、数据工程、标注团队协作，推进数据闭环和自动化标注体系建设。

本科及以上学历在读，计算机、人工智能、自动化、电子信息、车辆工程、数学等相关专业优先；

具备良好的 Python 编程能力，能够独立完成数据处理、结果分析及脚本开发；

熟悉常见数据处理和分析工具，如 NumPy、Pandas、OpenCV、Matplotlib 等；

对机器学习、计算机视觉或自动驾驶感知方向有一定了解，理解模型输出、评测指标和误差分析的基本方法；

具备较强的数据敏感度和细致度，能够对自动化标注结果和评测结果进行系统性检查与分析；

有较好的逻辑思维和问题定位能力，能够从 bad case 中总结规律并推动问题闭环；

具备良好的沟通与协作能力，能够与算法、数据、标注等相关团队高效配合；

每周实习 4天及以上，可连续实习 3个月以上 者优先。 加分项 有自动驾驶、计算机视觉、多传感器融合、数据闭环或 auto-labeling 相关项目/实习经历； 熟悉常见感知任务，如 2D/3D目标检测、BEV感知、分割、跟踪 等； 了解相机、激光雷达、毫米波雷达等传感器基础，以及数据同步、标定、时空对齐等概念； 有模型评测、bad case 分析、数据集构建或自动化标注系统开发经验； 熟悉 Linux、Shell、Git，有一定工程开发习惯； 有较强的工程落地能力，能将算法结果转化为稳定的数据生产或评测流程。