百度自动驾驶-深度学习决策规划算法工程师-2026AIDU-自动驾驶技术部(J86400)
任职要求
-计算机科学、机器人学、控制工程、应用数学等相关专业硕士/博士在读，或具备同等研究经验； -熟练掌握深度强化学习（DRL）、模仿学习（Imitation Learning）、序列决策（POMDP）等方法的理论与实践； -熟悉PyTorch/TensorFlow框架，具备Python/C++编程能力及Linux开发经验； -了解经典决策规划算法（如A*、RRT*、MPC）或控制理论（如车辆动力学模型）； -熟悉自动驾驶决策规划任务（行为决策、轨迹生成、交互建模）及数据集（nuPlan、Waymo Motion Dataset）； -具备多智能体系统、博弈论、不确定性推理（Bayesian Networks）经验者优先。 加分项： -在CoRL、ICRA、IV等机器人/自动驾驶顶会发表决策规划相关论文，或参与Apollo、Autoware等开源项目； -熟悉决策规划开源框架，有机器人路径规划（如无人机、机械臂）开发经验； 软技能： -对复杂系统建模有强烈兴趣，具备严谨的逻辑思维与跨学科协作能力。
工作职责
决策算法开发: -设计基于深度学习的驾驶行为决策模型（如场景理解、交互意图博弈、自车轨迹规划），解决路口通行、变道博弈、礼让行人等复杂交互问题； -研究多智能体强化学习（MARL）、社会合规行为建模（Socially-Compatible Planning）等技术，提升自动驾驶系统的拟人化水平； -运动规划与轨迹生成； -开发端到端或分层的轨迹规划算法，结合深度学习与经典优化方法，生成平滑、安全、动态可适应的行驶轨迹； -探索不确定性环境下的实时规划策略（如应对突发障碍、极端天气）； -交互与泛化能力提升； -构建驾驶员行为预测模型，研究长尾场景（Corner Cases）的决策泛化能力，利用对抗训练、元学习等方法增强系统鲁棒性。
决策算法开发: -设计基于深度学习的驾驶行为决策模型（如场景理解、交互意图博弈、自车轨迹规划），解决路口通行、变道博弈、礼让行人等复杂交互问题； -研究多智能体强化学习（MARL）、社会合规行为建模（Socially-Compatible Planning）等技术，提升自动驾驶系统的拟人化水平； -运动规划与轨迹生成； -开发端到端或分层的轨迹规划算法，结合深度学习与经典优化方法，生成平滑、安全、动态可适应的行驶轨迹； -探索不确定性环境下的实时规划策略（如应对突发障碍、极端天气）； -交互与泛化能力提升； -构建驾驶员行为预测模型，研究长尾场景（Corner Cases）的决策泛化能力，利用对抗训练、元学习等方法增强系统鲁棒性。
PNC组介绍：在自动驾驶系统中，决策规划与控制可以类比为人类的大脑与神经。确保“大脑与神经”正确高效地“思考”和安全舒适地“执行”，是一个优秀的规划与控制组的职责所在。规划控制团队分为决策团队、规划团队和控制团队。决策规划部门的主要目的是在复杂的无人驾驶环境中找到安全的行驶方案，例如通过人类驾驶的数据分析何时进行变道，对前方车辆是跟随还是绕行。决策规划部分还要从路上的真实数据中学习人类驾驶的共识，比如道路拥堵时到底什么时候能变道，后车要怎么表达出它是否让行，进而思考如何把这种共识应用到具体算法中。此外，决策规划要能将不同的未来收敛到当选确定的行为中。控制部分则是负责将上述的行为严格地执行到车辆上。 负责无人驾驶决策模块设计和实现，应对无人驾驶中各种最具挑战性的场景：拥挤道路上无人车的变道策略：如何主动创造变道环境（如加速变道），如何准确判断旁边车辆的意图，如何与其他车辆协商以迫使他们为你让出变道空间等；处理各种合理或不合理的行为场景：如电动车逆行、左右摇晃的自行车、道路上乱窜的行人等；应对不合交规但频繁出现的场景：旁边车道车辆突然变道抢占路权、连续实线变道等；拥挤高速公路合流等对人类司机都很困难的决策；各种交通标志控制下的无人车行为决策：如无保护路口如何通过、人行道行为逻辑、施工区域的通过逻辑等。
-负责自动驾驶系统中基于深度学习的轨迹、意图预测算法的研究与实现 -研发自动驾驶决策规划大模型，利用模仿学习、强化学习等技术，实现复杂交通场景下的端到端自动驾驶 -参与端到端智驾系统设计与讨论，输出技术架构与设计方案 -负责智驾系统问题分析优化，识别模型算法与数据缺陷，并做出改进 -处理大规模数据集，进行数据清洗、特征提取、模型训练和评估，优化算法的性能和效果
1. 研发基于数据驱动的PnC决策规划算法， 负责城区全场景自动驾驶的规控算法集成和量产交付 2. 负责Deep Learning Planning 相关神经网络设计与实现，将最前沿的方法应用到自动驾驶规控领域 3. 负责Deep Learning Planning 训练数据迭代和评测系统的构造与维护