端到端规划模型算法工程师

负责端到端自动驾驶预测、决策、规划模型研发，面向 L4 场景解决复杂交通交互、行为决策和轨迹生成问题； 探索基于 Transformer、Diffusion、Next Token Prediction、Imitation Learning、Reinforcement Learning 等范式的 AI Planner 模型； 设计多模态场景表征，将 BEV、Occupancy、地图、交通参与者状态、历史轨迹、语言/规则信息等输入统一建模； 建设 open-loop 与 closed-loop 联合评测体系，推动模型在仿真、影子模式和实车中的持续迭代； 结合数据闭环、难例挖掘、自动标注、离线真值生成等手段提升模型上限和长尾场景能力； 推动模型在 RoboTaxi、RoboBus、无人环卫、无人物流等不同车型和 ODD 上泛化落地

熟悉深度学习、序列建模、轨迹预测、行为决策或运动规划相关技术； 有自动驾驶预测、规划、端到端驾驶、机器人策略学习中至少一类完整研发经验； 熟练使用 PyTorch，有大规模模型训练、数据处理和实验调参经验； 理解自动驾驶闭环评测，包括安全性、舒适性、通行效率、规则遵守和交互合理性； 具备较强工程实现能力，能从问题定义、模型设计、训练验证到部署迭代独立推进。 加分项： 有端到端自动驾驶、Neural Planner、Diffusion Policy、Decision Transformer、RLHF/RLAIF、模型蒸馏经验； 有 nuPlan、Waymo、CARLA、内部仿真平台或实车落地经验； 在 CVPR、ICCV、ECCV、NeurIPS、ICRA、CoRL、ICML 等发表相关论文