文远知行PnC-决策算法工程师（Decision方向）-无人驾驶环卫车-广州/深圳

1. 研发基于数据驱动的PnC决策规划算法， 负责城区全场景自动驾驶的规控算法集成和量产交付 2. 负责Deep Learning Planning 相关神经网络设计与实现，将最前沿的方法应用到自动驾驶规控领域 3. 负责Deep Learning Planning 训练数据迭代和评测系统的构造与维护

PNC组介绍：在自动驾驶系统中，决策规划与控制可以类比为人类的大脑与神经。确保“大脑与神经”正确高效地“思考”和安全舒适地“执行”，是一个优秀的规划与控制组的职责所在。规划控制团队分为决策团队、规划团队和控制团队。决策规划部门的主要目的是在复杂的无人驾驶环境中找到安全的行驶方案，例如通过人类驾驶的数据分析何时进行变道，对前方车辆是跟随还是绕行。决策规划部分还要从路上的真实数据中学习人类驾驶的共识，比如道路拥堵时到底什么时候能变道，后车要怎么表达出它是否让行，进而思考如何把这种共识应用到具体算法中。此外，决策规划要能将不同的未来收敛到当选确定的行为中。控制部分则是负责将上述的行为严格地执行到车辆上。 负责无人驾驶决策模块设计和实现，应对无人驾驶中各种最具挑战性的场景：拥挤道路上无人车的变道策略：如何主动创造变道环境（如加速变道），如何准确判断旁边车辆的意图，如何与其他车辆协商以迫使他们为你让出变道空间等；处理各种合理或不合理的行为场景：如电动车逆行、左右摇晃的自行车、道路上乱窜的行人等；应对不合交规但频繁出现的场景：旁边车道车辆突然变道抢占路权、连续实线变道等；拥挤高速公路合流等对人类司机都很困难的决策；各种交通标志控制下的无人车行为决策：如无保护路口如何通过、人行道行为逻辑、施工区域的通过逻辑等。

1、路径规划与行为决策算法开发。设计自动驾驶车辆的全局路径规划（如A、RRT算法）和局部轨迹生成算法（如Lattice Planner、EM Planner），结合动态障碍物预测结果，完成车辆行为决策（跟车、变道、避障等），确保规划结果的平滑性和安全性。 2、控制算法设计与实现。开发车辆横向/纵向控制算法（如MPC、LQR等），实现轨迹跟踪与动态调整，优化控制精度与舒适性，适配不同车型（乘用车、商用车）及复杂场景（拥堵、弯道）。 3、多模块协同与系统集成。与感知、定位、预测模块深度协同，定义规划控制接口协议（如基于ROS 2/DDS通信），完成算法在嵌入式平台（如NVIDIA Orin）的部署，解决实时性、资源占用等问题。 4、仿真测试与实车调试。利用仿真工具（CarSim、Prescan）和实车测试验证算法性能，分析极端场景（如紧急制动、Cut-in）下的失效案例（badcase），持续优化算法鲁棒性。

公司介绍： 文远知行（WeRide）成立于 2017 年，是全球领先的 L4 级自动驾驶科技公司，致力于“以无人驾驶改变人类出行”，已在全球超过 25 个城市开展自动驾驶研发、测试及运营，累积自动驾驶里程超1600万公里，应用场景覆盖智慧出行、智慧货运和智慧环卫，形成自动驾驶出租车、自动驾驶小巴、自动驾驶货运车、自动驾驶环卫车、高阶智能驾驶等五大产品矩阵，提供网约车、随需公交、同城货运、智能环卫、高阶智能驾驶解决方案等多种服务。 凭借“1个平台+3大场景+5大产品”的多元商业化战略，文远知行商业营收居同类自动驾驶企业之首，已与多家全球顶级主机厂和一级供应商达成战略合作伙伴关系，包括雷诺日产三菱联盟、宇通集团、博世、广汽集团等，不断为人类出行提供更多新选择。 文远知行目前的团队既有来自谷歌、微软、亚马逊、苹果、百度、滴滴的高阶工程师，也不乏刚从顶尖高校毕业的青年才俊。来到我们当中，你会发现这是一个专业、专注、有趣、有料的队伍。大家为了一个激动人心而富有挑战的目标走到一起，互相激励、脑力碰撞，为实现产品落地、创造社会价值、推进行业技术而努力。 对有抱负的工程师，还有什么比这更有意义的呢？我们虚位以待，真诚期待技术过硬、志趣相投的小伙伴加入我们！ 更多信息请访问：http://www.weride.ai，或关注官方微信号：文远知行WeRide PNC组介绍： 在自动驾驶系统中，决策规划与控制可以类比为人类的大脑与神经。确保“大脑与神经”正确高效地“思考”和安全舒适地“执行”，是一个优秀的规划与控制组的职责所在。规划控制团队分为决策团队、规划团队和控制团队。决策规划部门的主要目的是在复杂的无人驾驶环境中找到安全的行驶方案，例如通过人类驾驶的数据分析何时进行变道，对前方车辆是跟随还是绕行。决策规划部分还要从路上的真实数据中学习人类驾驶的共识，比如道路拥堵时到底什么时候能变道，后车要怎么表达出它是否让行，进而思考如何把这种共识应用到具体算法中。此外，决策规划要能将不同的未来收敛到当选确定的行为中。控制部分则是负责将上述的行为严格地执行到车辆上。 负责无人驾驶决策模块设计和实现，应对无人驾驶中各种最有挑战性的场景 · 拥挤的道路上无人车如何变道，如何主动创造变道环境（如加速变道），如何准确的判断旁边车辆的意图，如何和其他车辆 negotiate 来迫使他人为你让出变道环境 · 处理各种合理或不合理的行为场景，如电动车逆行，左右摇晃的自行车，道路上乱串的行人 · 应对不合交规但是又非常频繁的场景：旁边车道车辆突然变道抢占路权，连续实线变道等 · 拥挤高速公路 merge 等对人类司机都很困难的决策 · 各种交通标志控制下的无人车行为决策：如无保护路口如何通过、人行道行为逻辑，施工区域的通过逻辑等