百度自动驾驶云端测试负责人（J80524）
任职要求
-计算机科学或相关领域本科及以上学历，具有3年以上自动化测试工作经验 -精通至少一种编程语言（如Python、Golang、C#等），具备良好的编程能力 -熟悉自动化测试工具（如JMeter、Postman等）和CI/CD流程 -必备经验： 拥有打车系统（如网约车平台）派单调度策略的测试经验，了解出行行业的基本运作模式和调度算法 -具备良好的问题解决能力和逻辑思维能力，能够独立分析和解决测试过程中遇到的问题 -强烈的责任心和团队合作精神，优秀的沟通能力和项目协调能力以及一定的抗压能力 -对云计算、大数据、人工智能等前沿技术有浓厚兴趣，愿意持续学习和探索
工作职责
-设计并实现整体测试方案，专注于robotaxi派单调度、运营监控等系统的功能及策略算法验证 -负责自动化测试能力建设，完成功能测试、性能测试、压力测试和稳定性测试 -分析测试结果，识别并报告缺陷，与开发团队紧密合作推动问题修复 -优化测试流程，提高测试效率和覆盖率，减少手动测试工作量 -根据产品需求和技术发展不断优化策略效果测试方案 -跟踪行业动态，对业务保持高度敏感，对产品线上质量负责，引入新的测试工具和技术，提升团队测试能力
1、整体负责机器人侧的工程体系建设； 2、负责与产品/测试团队一起，制定研发项目计划，核心技术指标； 3、负责从机器人系统软件平台，相关云端业务系统，数据系统等的开发工作； 4、负责传感器，通讯，整机稳定性，性能调优等一系列工作。
带领团队，负责美团无人机硬件产品线中所有嵌入式系统的设计，开发，交付，维护。目标打造安全，可靠，高性能，高可维护，数据驱动的一流嵌入式系统。 一线技术贡献 (Hands-On Contribution): 保持深入的一线技术能力，直接贡献 / 指导 system level design，在团队需要的时候，可以随时参与一线的开发，带领团队调试复杂的系统级问题。 技术领导力 (Technical Leadership): 推动嵌入式系统的技术愿景、芯片选型，架构设计和路线图规划。坚定而有效的帮助团队建立并贯彻嵌入式软件开发的最佳实践，以身作则，通过高质量的 code review（C/C++, Rust）以及文档实践，测试设计，践行 engineerring excellence。 Lead & Mentor: 领导、管理并发展一支 high-performing 嵌入式软件工程师团队。提供技术指导、职业发展规划和日常辅导。 执行与交付 (Execution & Delivery): 与产品经理及其他工程负责人合作，将需求和模糊的问题转化为可执行的计划。负责管理项目的计划，优先级和交付成果。 跨职能协作 (Cross-Functional Collaboration): 在嵌入式领域之外，发挥广泛的技术影响力和出色的技术理解力和沟通能力，与硬件、Linux 平台软件和云端软件团队紧密合作，确保软硬件的无缝集成，交付一致的产品功能。 技术创新 (Innovation): 紧跟嵌入式领域的趋势——从新型 MCU 和 SoC，到现代开发实践，如嵌入式CI/CD、security hardening, diagnostics，telemetry 等 —— 并引导团队采纳和应用这些新技术。
您将在此收获：加入一支专注机器人产品落地的实干团队，负责定义机器人本体、App与云端平台的协同体验，从用户真实场景出发，打造“听得懂、动得准、管得住”的智能产品。你将深度参与产品从规划、设计到上线的全流程，与算法、嵌入式、云服务等核心团队紧密协作，推动技术转化为用户可感知的价值。在这里，你既能深入机器人软硬件系统，又能主导跨端体验架构，积累稀缺的“端-边-云”产品能力。团队扁平高效，重视产品话语权与成长空间，适合希望在硬科技领域深耕、追求扎实落地与长期价值的产品人。
智能驾驶系统产品线大规控部门负责城区、高速、停车场等全场景高阶辅助驾驶系统的规控和预测算法开发，同时搭建完善的仿真评测体系提升研发质量和效率。 开发理念： 打破惯性思维，根据问题本质寻找答案和设计解决方案； 不技术自嗨，守住性能底线后再做技术创新，用实车效果说话； 用数据驱动的思维做开发，做好数据闭环，注重评测迭代； 不做简单的规则堆叠，传统方法要提炼简洁优雅的“解析解”； 重视工具开发，提升研发效率，打开算法黑盒，尽量做解释性强的方案。 精益求精，打磨产品细节，做出亮点，提升产品体验。 1. 负责轨迹预测、行为决策、路径规划和运动控制等算法开发，并完成嵌入式量产平台部署； 2. 基于海量数据进行道路参与者行为预测算法研发，设计高性能、高准召、高稳定的预测模块； 3. 开发交互式决策和预测模型，改善自动驾驶车辆在复杂环境中的应对能力； 4. 负责自动驾驶系统产品级仿真引擎的架构设计，仿真平台自动化测试及可视化工具链的构建； 5. 构建可扩展的云端仿真框架，以在集群环境中运行批量仿真模拟，减少云端部署和运行成本； 6. 构建完善仿真场景库替代大部分路测，同时生成挑战性的场景增广路测能力； 7. 建立数据自动标注、难例批量挖掘和分析机制工具链，通过数据闭环持续提升算法能力。