地平线智能驾驶数据科学家
任职要求
1、计算机、自动化、统计学、数学、电子工程等相关专业，2–5 年数据科学/算法/复杂系统评估经验。 2、扎实的统计学基础：假设检验、A/B 实验、回归分析、置信区间、方差分解、分布比较等。 3、工程能力强：熟练使用 Python 进行结构化数据处理、算法开发、工具链搭建（良好的代码结构、可复用性与性能考虑）。 4、有复杂系统（如自动驾驶、机器人、无人机、控制系统、实时系统）评估、…
工作职责
1、设计与构建自动驾驶系统的仿真与实车评估体系，建立可量化的性能、效率、安全、驾驶行为等核心指标。 2、基于真实道路数据与仿真数据，开发和优化评估指标（包括基于规则与基于模型的指标），确保能够准确衡量驾驶行为、合规性、舒适性和鲁棒性。 3、运用统计学方法（假设检验、敏感度分析、分布分析等）验证指标在大规模数据下的可靠性、稳定性与区分能力。 4、主导仿真与实车表现差异（仿真实车一致性）的分析工作，设计实验、构建对比框架，给出性能不一致时的根因判断与改进建议。 5、与感知、预测、规划控制、仿真、测试等跨团队合作，推动数据驱动的迭代与优化策略，提升整体系统性能评测能力。 6、开发高质量的数据分析工具、算法验证脚本与可复用的评估框架，将复杂评估过程自动化与工程化。 7、对仿真与实车的复杂驾驶日志进行深入分析，结合交通规则和驾驶行为理解，提出针对性的改进方向与评估方法。 8、参与构建并维护系统级的评测看板或指标监控体系，确保关键指标在版本更新中保持可控、可解释和可追踪。
1、实现仿真与实车数据处理脚本和分析pipeline，包括仿真评测报告解析、路测 MPI 报告解析等。 2、使用仿真可靠性评估方法和工具，输出版本差异和不一致问题的量化结果。 3、搭建和维护版本对比报表与一致性监控 dashboard，对安全/速度/居中/偏航等核心指标进行日常监控和异常检测。 4、进行常规的数据探索、可视化和报表制作，将复杂分析结果转化为 算法 / 仿真 / QA 容易理解的图表和结论。 5、协助数据科学家检查场景标签质量、数据分布，参与场景分类体系和指标体系的落地与验证。 6、参与优化仿真报告和路测报告的字段结构和统计口径，落实到脚本和报表规范中。
1. 深入理解感知、规控、VLM/VLA 等算法需求，以车端功能交付为目标，判断并共识需求优先级。 2. 掌握数据生产-应用的全流程，包括但不限于数采/trigger-挖掘-标注-训练-评测等环节，通过业务目标驱动数据高效高质交付，并能在交付过程中持续优化流程，促进算法高效迭代。 3. 协调跨部门团队合作，包括工程师、数据科学家和运营团队，建立有效的合作机制，保障数据项目高效推进。
-我们正在寻找一名机器学习高级工程师-AI推理方向。理想的候选人需要拥有深厚的ML推理知识和强烈的热情来 优化我们的模型，以最高效的利用我们的AI加速器的每一个FLOP和每一个字节的内存。 -我们的使命是解决自动驾驶难题。您将与才华横溢的软件工程师、机器学习工程师和研究科学家团队合作，推动最先进的自动驾驶人工智能。 1、为深度学习模型在小鹏定制的AI加速器上的部署做优化。 2、为小鹏的AI加速器编开发内核。 3、为关键内核的性能估计建立数学模型。
公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门，致力于打造世界领先的 L4 级自动驾驶技术，通过科技让出行更安全、更高效。我们相信，将自动驾驶技术部署在共享出行车队中，将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态，我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队，推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员，你将与国内外顶尖人才一起，研究和开发自动驾驶领域的前沿算法，直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战，利用多模态传感器（LiDAR、Camera、Radar 等）设计、开发并优化感知算法，解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里，你将有机会： 与中美两地的优秀工程师和科学家合作，参与世界级的技术竞争； 深入研究并推动最前沿的学术成果在产业中的落地； 在全球最大出行平台之一的业务场景中，实现科研成果的规模化应用。 主要方向与职责： 你将在以下方向中选定一个或多个方向深入负责，并承担从研发到落地、从算法到系统的端到端职责： （一）物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型，识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性（抗遮挡、夜间、恶劣天气、长尾类别） （二）通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境（施工区域、道路损坏、落物等）中提升鲁棒性 （三）场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解，例如施工区域识别、可通行区域识别等 意图理解，例如行人动作识别、起步意图识别等 交互和事件识别，例如多方交互、交通规则冲突、非规范驾驶行为等 （四）感知大模型 /多模态 探索或应用预训练多模态大模型，将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中，提升复杂场景下的鲁棒性 （五）模型评估、验证 构建完整的评估管道，包括离线评估 + 真实道路 + 模拟环境测试，支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)