低空三维航线规划算法实习生

项目简介

面向无人机/eVTOL 等低空飞行器的三维航迹规划系统。系统以多层级地理网格编码为空间底座，通过 Redis 集群实时加载空域障碍物、禁飞区、地面海拔等数据，基于双向 A* 算法完成三维路径搜索，并支持多航线冲突检测与自动解冲突。已在生产环境上线，服务多个城市的低空空域管理场景。

你将获得

深入低空经济核心赛道，参与真实生产系统的建设与迭代

经典算法 + AI 方法双轨实践，积累路径规划领域的完整技术视野

有机会将前沿论文方法落地到线上系统，产出有影响力的技术成果

导师一对一指导，快速提升研究与工程复合能力

职位要求：

三维路径搜索算法：研究与优化 A*、双向 A*、加权 A* 等启发式搜索算法在三维空间中的应用，探索搜索效率与路径质量的平衡

多目标路径优化：研究安全性、能耗、飞行时间等多目标约束下的路径规划建模与 Pareto 最优解方法

多航线冲突检测与解冲突：研究基于空间几何的 3D 冲突检测算法，以及博弈论、优先级调度等自动解冲突策略

自适应高度规划：基于地形高程与障碍物分布，研究飞行高度的自适应推荐算法（ASL/AGL），兼顾安全裕度与能耗效率

路径后处理与简化：研究 3D Douglas-Peucker 简化、航向角变化检测等算法，在保留关键转弯/爬升点的前提下压缩路径点数量

AI 方法探索：调研强化学习（DQN/PPO/SAC）、图神经网络、可微路径规划（Neural A*）等方法在航迹规划中的应用

前沿研究跟踪：关注 ICRA、IROS、NeurIPS 等顶会在无人机路径规划、多智能体协同、UTM 方向的最新进展，输出技术调研

计算机、人工智能、GIS、航空航天、数学等相关专业，本科及以上在读，每周至少 4 天，实习不少于 3 个月

算法基础扎实：理解 A*/Dijkstra 等经典搜索算法，了解启发式函数设计、双向搜索、加权搜索等优化策略，能将算法思路转化为可运行代码

ML/DL 实践能力：熟悉 PyTorch 框架，了解强化学习（策略梯度、Q-Learning）或图神经网络（GNN/GAT）的基本原理，有独立完成模型训练与评估的经验

Python 工程能力：熟悉常用数据结构（堆、字典、集合）、装饰器、类型注解等，代码风格规范，具备模块化设计与文档编写意识

空间计算基础：了解 WGS84 坐标系、Haversine 距离公式、经纬度与平面坐标（ENU）转换，能理解三维空间中的距离与方向计算

学习与研究能力：能快速阅读英文论文并提炼核心思路，善于将前沿方法与实际场景结合，有主动探索未知问题的意愿

协作与沟通：具备良好的问题分析与表达能力，能清晰描述算法思路、实验方案和结论，适应小团队敏捷协作

加分项

有 GIS 或空间索引（GeoHash/S2/H3）开发经验

熟悉 Redis（Pipeline、Hash、位运算）

阅读过 Neural A*、Differentiable Path Planning 等可微路径规划相关工作

了解多智能体强化学习（MARL）或扩散模型在轨迹生成中的应用

有算法竞赛或数学建模竞赛经历