滴滴26届正式批-视觉算法工程师-AIoT

1、从事交通场景下的场景理解、目标检测与识别 2、从事机器学习基础框架的优化和改进 3、将相关应用场景中的问题转化成数据模型或者科学问题，并尝试提出解决方案。

结合多源数据，打造高精度、高可靠性、低延迟的自动驾驶定位系统。包括但不限于： 1、结合业界前沿技术，如3D视觉、SLAM等，研发基于多源数据融合的定位算法，并负责将算法落地到自动驾驶汽车上 2、基于海量数据，打造自动化的定位数据闭环系统，提高系统迭代的效率和算法的泛化性 3、联合硬件、系统等团队，充分挖掘GNSS、IMU、里程计、视觉等传感器潜能，突破定位精度上限。

1、负责多模态图像内容理解、语音、图计算等方向研发 2、技术落地应用：声纹识别、人脸识别、图像内容理解、图计算等方向 3、负责上述模型的工程化落地和业务策略使用。

1、基于滴滴国际化海量的出行数据（四轮、摩托、外卖），利用数据挖掘、机器学习等技术，优化上下车点推荐、地址解析、路况预测、路径规划、ETA（到达时间预估）、EDA（预估到达距离）等引擎 2、上下车点推荐引擎：基于滴滴出行的大数据，深入理解不同国家的业务特点，推动上下车点推荐引擎效果提升，理解世界不同国家的地理领域知识，还原物理世界，并结合出行领域的用户（司机+乘客）行为特点，构建完善的特征工程 借助时序建模、MTMS(Multi-Task and Multi-Scene)的深度学习算法，综合提升各类场景的推荐效果 提升出行体验和平台效率，保障司乘安全 3、路线规划引擎：不同国家有不同的地理特性，不同的业务对路线规划也有差异化的需求，深入理解不同地区和业务的特点，借助序列建模、排序、多任务等手段，优化路线的召回、排序、重排等链路 4、时间/里程/价格/路况等预估引擎：深入研究不同国家、不同业务（四轮车、摩托）、不同打车链路（预估、分单、接驾、送驾等）中的时间/距离/价格/路况预估任务，构建不同场景下独有及共享的底层数据体系，建设地理特征、用户画像、历史行为及偏好等特征工程，借助因果推断、GNN、MTMS、online-learning等技术，提升预估准确性，提升司机和乘客的体验及打车效率 5、探索学术前沿技术，参与LLM、GNN、Online Learning、Reinforcement Learning等在交通领域的应用落地。