百度深度学习规划算法工程师（J92529）
任职要求
-计算机、机器人、人工智能等相关专业，熟练使用 C++、Python，有良好的数据结构和算法基础及代码规范 -有深度学习算法背景，具备预测或规划的背景知识 -有相关算法 (Deep Learning Prediction、VLM/VLA、Deep Learning Planning、Deep Reinforcement Learning、Imitation Learning、Deep Generative Model等）经验者优先 -有机器学习领域顶级会议期刊论文发表的优先 -有ACM等编程比赛获奖经历的优先 -有驾驶经验优先
工作职责
-负责预测、VLM/VLA、Neural Planner模型研发，用深度学习算法解决/重构规划任务 -负责深度学习模型设计、数据生成、在离线评测和车端部署 -负责数据闭环能力建设，数据驱动提升模型性能 -与上下游模块协同，优化Robotaxi安全性和智能性 -探索自动驾驶端到端大模型技术路径
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
-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
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。