高德地图高德-算法工程师-大模型方向-车道级地图
任职要求
1、计算机视觉、自然语言处理、机器学习、人工智能等相关专业的硕士/博士; 2、熟练使用Pytorch、Tensorflow等深度学习框架,有扎实的编程基础,具备独立的算法实现能力; 3、有过空间智能、多模态大模型、智驾行业经验优先; 4、有大模型领域顶级会议文章(NeurlPS、ICLR、KDD、ICML等)者优先。
工作职责
1、参与高德车道级地图算法研发工作,负责将深度学习、多模态大模型等技术与地图专业领域知识结合; 2、参与最前沿的生成式建图等领域模型研发,结合SFT/RLHF/RAG方向的前沿算法持续提升业务效果天花板; 3、负责地图大模型的后训练和应用落地,与工程同学配合,完善整体链路,推进应用上线; 4、跟踪行业最新论文动态,将先进技术应用到业务当中。
我们是谁? 作为中国领先的数字地图内容及导航服务提供商,高德地图日均服务数亿用户出行决策,每日处理超百亿级位置数据。视觉技术中心是驱动高德实现厘米级高精地图、实时三维重建、多模态感知等核心技术的引擎,持续突破自动驾驶、AR导航、智慧交通等领域的技术边界。 团队gihub主页:https://github.com/amap-cvlab 为何加入我们? 挑战世界级技术难题,追求智能上限 用AI驱动国民级APP的产品迭代和颠覆式创新 岗位职责: 团队主要聚焦多模态大模型及端到端模型在车端导航及定位应用,我们期待你的工作将覆盖以下至少一个技术方向即可: 1. 在端到端自动驾驶、BEV环境感知、多模态融合、强化学习等领域具备丰富且有独创性的研究经历; 2. 探索多模态大模型在下游任务中的技术能力,包括但不限于图文对齐/识别、跨模态理解生成、多模态检索、VLM端到端自动驾驶、世界模型等; 3. 了解大模型模型的训练/微调/推理加速方法,包括但不限于模型结构调优、训练效率提升、高效低成本微调、Muti-token推理,模型部署加速等; 4. 参与自动驾驶系统中机器学习算法的研究、开发与优化,包括但不限于深度学习算法在端到端感知大模型、规控大模型、视觉语言大模型等方面的应用; 5. 负责收集、整理和分析自动驾驶相关的数据集,进行数据预处理和标注,以提高模型的准确性和复杂场景泛化能力; 6. 设计和实现端到端自动驾驶模型的训练流程,包括选择合适的优化算法、调整超参数、评估模型性能等,确保模型在不同场景下的稳定性和可靠性。
高德地图定位研发团队介绍: “我在哪儿,要到哪儿去”是高德给全国亿级用户解决的核心问题, 我们系统解决“我在哪儿”的问题, 我们使用遍布全球的北斗卫星数据,高密度的手机传感器数据,视觉数据, 我们建设世界级的高精准定位系统, 驾车定位、车道级定位、室内定位、停车场定位、车机定位等 是我们核心解决的业务场景。 我们攻克着大量的世界级前沿技术难题: 基于时间序列预测的统一融合定位算法、 基于Transformer的统一融合匹配算法、 基于BEV、slam等的视觉定位算法 ...... 为了给广大用户的出行提供全方位、高质量的服务,我们正在不停地打破自己、超越自己...... 在这里,无数行业前沿的新技术在碰撞交流和应用, 这就是高德地图定位研发部 期待勇于突破,勇于挑战的你! 岗位职责: 1、多模态大模型研发与应用:将定位问题转化为大模型问题,用大模型的思路对时空数据进行建模、训练(包括但不限于预训练、SFT、强化学习等)等,实现轨迹预测和轨迹匹配; 2. 模型优化与小型化部署:负责多模态大模型的轻量化设计、压缩与加速,确保模型在端侧设备上的高效运行; 3、创新探索:跟进位置和地图领域的大模型前沿进展,应用在日常工作中。
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)

1、自动化标注大模型研发:面向自动驾驶感知与规控任务(如障碍物、车道线、红绿灯、OCC等),设计与训练自动化/半自动化标注大模型,实现基于点云或图像的检测、跟踪、分割、融合等核心能力。 2、多模态融合与模型优化:基于相机、LiDAR、GNSS、IMU、轮速计等多源数据,构建多模态特征融合与生成模型,持续提升 4D 感知场景下的检出率、精度与鲁棒性。 3、自动化标注的Dag流程设计:负责将自动化标注链路拆解为可复用算子节点(operator),明确各节点输入输出、功能与依赖关系,保障器高效稳定执行; 4、数据闭环与持续学习:与数据挖掘、质量评估、模型训练、验证环节紧密协同,构建模型驱动的数据闭环体系,不断提升自动标注效率、准确率与泛化能力。 5、技术探索与落地:关注 AIGC、生成式标注、主动学习、弱监督、LLM+视觉理解等前沿方向,并推动其在自动标注任务中的应用落地