地平线模型变道数据挖掘和评测实习生
任职要求
1、硕士及以上学历，计算机科学与技术、机器人工程、自动化、人工智能、控制工程等相关专业，具备扎实的理论基础； 2、熟练掌握 C++ 与 Python 编程，熟悉Linux 操作系统、ROS（Robot Operating System）开发环境； 3、对模仿学习（IL）、强化学习…
工作职责
1、负责/参与端到端自动驾驶模型的性能迭代与突破，通过数据和模型的优化迭代，推动模型在量产产品中的效果闭环； 2、深度搭建并优化数据挖掘与数据闭环链路，基于量产场景的真实数据分布，设计高效的数据筛选、清洗、标注、回流策略，通过数据驱动的方法持续提升模型在长尾场景、极端工况下的鲁棒性与可靠性，要求具备量产项目中数据驱动性能提升的实战落地经验； 3、构建并迭代端到端模型评测体系，结合仿真测试、实车验证等多维度手段，建立科学的性能评估指标与自动化评测流程，能通过评测结果精准定位模型短板，并主导评测系统的优化升级，为模型迭代提供核心决策依据； 4、紧跟业界前沿技术动态，重点研究自动驾驶领域最先进的数据闭环方案、评测方法与端到端模型应用，推动技术预研与工程化落地，保持团队在数据驱动与评测体系上的核心竞争力。
-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，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 -研究强化学习（RL）、递推训练等闭环训练技术，提升自动驾驶系统的拟人化水平和实际路测表现 -研究适用于规划模型的数据驱动流程，通过研究数据、认识数据、开发数据来驱动规划能力的增长 -负责PNC产线的工程架构开发和升级，负责PNC数据feature的开发，包括新字段、数据挖掘和数据画像
我们正在寻找一位深刻理解自动驾驶与人类驾驶行为的导航产品专家。你将跳出传统导航的框架，深度参与并主导面向下一代“导航”产品体验构建。这不再是简单的“路线指引”，而是提供“驾驶决策”的智能大脑。以更安全、更高效、更类人的驾驶体验为核心，通过定义“导航即规控”的创新范式，驱动行业领先的智驾级人车共驾AI领航（手机端） 核心职责 1. 产业洞察与产品架构设计： 系统性地解构自动驾驶中的“导航”价值链，深刻理解用户在不同智驾场景下（如城区领航、高速NOA等）对路线规划、驾驶行为、人机共驾的核心诉求。精准识别传统导航在自动驾驶时代的局限性与技术瓶颈，前瞻性地设计面向机器的“可行驶”路径规划与“类人”驾驶策略，构建从云端全局路线到车端车道级引导的导航产品矩阵、技术路线图与商业模式； 2. 驾驶知识与数据生态建设： 构建以“驾驶行为数据”为核心的知识图谱与数据闭环。挖掘并提炼“老司机”在复杂路况下的驾驶知识与路线偏好（如变道时机、路口博弈、路线选择倾向等）。构建仿真场景库，反哺云端规划引擎与引导模型，打造可学习、可进化的导航决策大脑； 3. 驱动技术产品化与规模化落地： 践行从算法原型到业务全生命周期落地管理，将复杂的导航决策模型、路线规划算法、高精/标精地图融合技术，封装为可被AI领航清晰调用的“导航解决方案”，确保导航策略能够以“更安全、更舒适、更高效”的方式在手机端规模化落地AI领航产品。
1. 自动驾驶数据建模 - 设计多源异构数据的数仓分层模型（ODS/DWD/DWS/ADS），支撑感知、预测等算法训练； - 设计支持相似性检索的数仓分层（ADS层集成VectorDB特性）； - 构建数据血缘与元数据管理体系，保障数据可追溯性； - 构建多模态数据的统一向量化标准（图像/点云/文本的Embedding规范）。 2. 大规模数据处理开发 - 开发高可靠ETL流程，处理车载传感器原始数据（摄像头/LiDAR/GPS等）； - 基于Spark/Flink优化数据清洗、转换、聚合任务，提升云端处理效能； - 开发多模态Embedding流水线（CV/NLP模型的分布式特征提取）； - 基于VLM（视觉语言模型）自动生成数据标签（替代人工标注）； - 构建驾驶场景语义索引系统（支持“极端天气”“危险变道”等语义检索）。 3. 分析平台建设 - 搭建数据湖仓一体架构（Paimon/Iceberg + Doris/StarRocks）； - 搭建海量特征向量数据库（Milvus/Pinecone/自研引擎）； - 开发BI可视化看板，监控数据质量及自动驾驶关键指标（生产折损率，感知准确率、干预率等）； - 开发多模态检索接口（如根据文本描述搜索关联驾驶场景视频）。 4. 效率优化 - 持续优化数据存储成本与计算性能（分区策略/压缩算法/计算资源调度）； - 探索弹性伸缩，流批一体，存算分离等架构在实时数据处理场景的应用。
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。