滴滴26届正式批-行为预测和规划 AI 算法工程师-自动驾驶
任职要求
1、2026届毕业生，硕士及以上学历，计算机或相关专业优先 2、有机器学习或深度学习相关经验优先，包括模型训练、部署、测试等 3、熟悉一种以上深度学习框架，如Tensorflow和Pytorch 4、良好的沟通和协作能力，责任心和团队意识强 5、熟练掌握Python和C++，有丰富的系统设计和开发经验者优先 6、有强烈的自我提升意愿，持续的自我驱动能力，关注业界前沿技术和国际会议研究动态，不断提升自己。加分项：有自动驾驶相关经验，包括但不限于：智能驾驶、机器人、等项目落地经验 在顶级国际会议/期刊上发表论文（CVPR，ICCV，ICML，NIPS等） 有编程、数学、物理等相关竞赛成绩。
工作职责
1、应用先进的深度学习算法，解决自动驾驶中智能体的行为理解、预测和规划问题 2、研究和发展创新性的 VLM 和 VLA 模型，用以实时理解和预测其他交通参与者的行为，并做出合理运动规划 3、开发基于AI算法的行为模型，并应用于车端预测、规划系统或仿真中的 Smart/Sim Agent 4、设计和优化基于AI 算法的在线预测和规划系统，增强系统的实时性和鲁棒性 5、开发和完善模型训练的离线系统，包括数据挖掘、数据处理和模型评估及可视化。
自动驾驶中，规划相关团队的工作内容包括设计实现自动驾驶系统的交互建模，决策规划和轨迹生成，安全冗余系统，例如路径规划、决策交互、轨迹生成、安全兜底等，同时也支持各类为全无人车辆设计的产品功能。我们的目标是构建AI算法和安全的算法及软件架构，帮助无人车更加安全、舒适及高效。1、 在智能驾驶应用场景中研发和部署车辆路径规划与控制系统 、路径规划、远程协助系统、部署冗余系统 2、研发机器人相关算法，包括行为预测，交互建模，轨迹搜索生成、路径规划、控制理论、轨迹安全评估、紧急躲避和车辆控制等 3、积极从事规划算法或技术探索创新，共同推动无人驾驶技术的发展与落地 4、与汽车厂商或其他研究机构合作研发智能控制车辆。
端到端自动驾驶大模型是当前工业界与学术界的研究热点，它通过数据驱动与科学建模，从原始传感器数据出发，直接预测自车未来行为，是AI与自动驾驶融合的综合应用。1、以海量真实数据为基础，依托计算机视觉、深度学习与大模型技术，构建面向真实世界的一体化决策规划模型 2、在端到端自动驾驶模型的设计与优化中，研究方向包括但不限于：端到端自动驾驶大模型优化、多模态融合与感知场景理解、大语言模型(VLM)驱动的复杂场景理解、基于扩散模型的预测与规划行为生成、三维空间表征与自监督预训练、 强化学习与人类行为偏好对齐等。
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。
1、用户增长算法优化：基于滴滴金融信贷业务，通过多种触达渠道，实现高效用户拉新和促活，提升渠道转化率 2、精准营销策略优化：基于用户画像、用户行为数据，构建用户意愿预测模型、个性化推荐模型、触达优化模型，提升营销精准度 3、渠道投放优化：构建 CTR/CVR 预测模型、智能投放策略，提升营销投放 ROI，降低无效触达 4、大模型/AI 赋能营销：探索大模型（NLP、AIGC）在短信内容生成、AI 外呼话术优化、用户情绪识别等场景的应用，提升触达效率与用户体验 5、数据分析与策略迭代：通过 A/B 测试、因果推断等方法，评估不同策略的效果，推动算法和策略迭代优化。