地平线端到端仿真算法实习生
任职要求
1.计算机科学、自动化、车辆工程、数学、物理等相关专业,硕土及以上学历 2.精通C++或Python编程,深入理解计算机体系结构、数据结构和算法设计 3.具备优秀的分析问题和解决问题的能力,能够在复杂的场景中构建高效的算法。 4.对自动驾驶、仿真技术及相关前沿领域有浓厚的兴趣,愿意深入探索与…
工作职责
1.探索并研发下一代自动驾驶仿真核心算法,推动技术创新与迭代。 2.开发针对端到端自动驾驶模型的场景重建算法,包括障碍物重建、地图元素重建等。 3.优化场景重建算法的精度和性能,确保算法在实际应用中的可行性和高效性。
1.探索并研发下一代自动驾驶仿真核心算法,推动技术创新与迭代。 2.开发针对端到端自动驾驶模型的场景重建算法,包括障碍物重建、地图元素重建等。 3.优化场景重建算法的精度和性能,确保算法在实际应用中的可行性和高效性。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：Data-电商-供应链和物流团队，通过应用机器学习和运筹优化算法，助力字节电商在全球范围内向用户提供低价好物以及快速优质的购物体验。团队的方向包括：参与优化通向全球各个国家地区的仓储物流网络，提升履约时效，降低成本，优化用户体验；跟踪全球电商趋势，优化电商货品供给，预测商品需求，指导备货，探索AIGC赋能时尚供应链。 1、参与字节跳动电商业务供应链及物流全链路智能化体系建设，负责面向业务的数据挖掘及算法模型迭代； 2、预测算法：构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测，并结合因果推断技术，定量刻画ETA对于消费者决策影响； 3、预测算法：通过深度学习、统计推断等方案，对快递包裹的时空轨迹序列进行推演与预测，有助于更好地理解物流网络动态，为其他预测任务提供重要的序列特征； 4、大数据分析：构建物流网络知识图谱，在此基础上构建物流履约态势感知与预警系统，使运营人员能够发现并处理物流网络异常情况，与物流服务商共同提高物流履约质量； 5、大数据分析：基于物流大数据构建包裹颗粒度因子库与标签库，实现基于相关性分析、大数据风控、因果推断等技术的物流履约质量问题诊断，大幅提升业务的精细化运营水平； 6、决策算法：根据物流订单量的预期增长，构建转运中心和最后一公里站点选址的服务网络设计的运筹优化模型；根据干线网络的路由图模型、时空图模型建设，构建网络复现技术，基于此打造图路由诊断、重新规划、路由仿真算法。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：Data-电商-供应链和物流团队，通过应用机器学习和运筹优化算法，助力字节电商在全球范围内向用户提供低价好物以及快速优质的购物体验。团队的方向包括：参与优化通向全球各个国家地区的仓储物流网络，提升履约时效，降低成本，优化用户体验；跟踪全球电商趋势，优化电商货品供给，预测商品需求，指导备货，探索AIGC赋能时尚供应链。 1、参与字节跳动电商业务供应链及物流全链路智能化体系建设，负责面向业务的数据挖掘及算法模型迭代； 2、预测算法：构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测，并结合因果推断技术，定量刻画ETA对于消费者决策影响； 3、预测算法：通过深度学习、统计推断等方案，对快递包裹的时空轨迹序列进行推演与预测，有助于更好地理解物流网络动态，为其他预测任务提供重要的序列特征； 4、大数据分析：构建物流网络知识图谱，在此基础上构建物流履约态势感知与预警系统，使运营人员能够发现并处理物流网络异常情况，与物流服务商共同提高物流履约质量； 5、大数据分析：基于物流大数据构建包裹颗粒度因子库与标签库，实现基于相关性分析、大数据风控、因果推断等技术的物流履约质量问题诊断，大幅提升业务的精细化运营水平； 6、决策算法：根据物流订单量的预期增长，构建转运中心和最后一公里站点选址的服务网络设计的运筹优化模型；根据干线网络的路由图模型、时空图模型建设，构建网络复现技术，基于此打造图路由诊断、重新规划、路由仿真算法。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：Data-电商-供应链和物流团队，通过应用机器学习和运筹优化算法，助力字节电商在全球范围内向用户提供低价好物以及快速优质的购物体验。团队的方向包括：参与优化通向全球各个国家地区的仓储物流网络，提升履约时效，降低成本，优化用户体验；跟踪全球电商趋势，优化电商货品供给，预测商品需求，指导备货，探索AIGC赋能时尚供应链。 1、参与字节跳动电商业务供应链及物流全链路智能化体系建设，负责面向业务的数据挖掘及算法模型迭代； 2、预测算法：构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测，并结合因果推断技术，定量刻画ETA对于消费者决策影响； 3、预测算法：通过深度学习、统计推断等方案，对快递包裹的时空轨迹序列进行推演与预测，有助于更好地理解物流网络动态，为其他预测任务提供重要的序列特征； 4、大数据分析：构建物流网络知识图谱，在此基础上构建物流履约态势感知与预警系统，使运营人员能够发现并处理物流网络异常情况，与物流服务商共同提高物流履约质量； 5、大数据分析：基于物流大数据构建包裹颗粒度因子库与标签库，实现基于相关性分析、大数据风控、因果推断等技术的物流履约质量问题诊断，大幅提升业务的精细化运营水平； 6、决策算法：根据物流订单量的预期增长，构建转运中心和最后一公里站点选址的服务网络设计的运筹优化模型；根据干线网络的路由图模型、时空图模型建设，构建网络复现技术，基于此打造图路由诊断、重新规划、路由仿真算法。