阿里巴巴1688-3D 几何算法工程师 / 算法专家 (可制造性与CAD方向)-杭州
任职要求
‒ （关键加分项） 熟悉CAD/CAM软件（如Rhino, SolidWorks）或CAD内核（如OpenCASCADE, Parasolid），有参数化建模或几何约束求解经验者优先。 ‒ （关键加分项） 熟悉3D打印（特别是SLA/DLP）工艺流程，有切片软件或支撑算法开发经验者优先。 ‒ 计算机图形学、计算几何、CAD、机械工程等相关专业硕士及以上学历。 ‒ 精通C++和Python…
工作职责
ꔷ Mesh修复与优化：负责“Mesh自动化修复引擎”的研发，解决AIGC模型输出的网格破洞、非流形、漂浮件、法线错误、噪点等问题，实现高质量的水密（Watertight）网格输出和自动化重拓扑（Retopology）。 ꔷ 可制造性分析： 研发3D模型可制造性（3D打印）智能分析算法，自动检测薄壁、悬垂角度、过小细节、打印风险等，并输出分析报告与修复建议。 ꔷ AI参数化基座生成：攻坚“AI参数化基座生成器”V1至V2。研发算法智能分析主体Mesh的姿态、尺寸和接口特征，自动从CAD标准库中匹配、生成并融合参数化基座（如吊坠扣、戒指圈、印章底座），解决Mesh与CAD的“最后一公里”融合难题。 ꔷ 智能支撑生成：针对SLA/DLP等高精度打印工艺，开发智能支撑生成算法，实现支撑结构的最优化（易拆卸、少接触面、省材料）。 ꔷ 几何算法库构建：负责几何处理相关算法库的搭建、性能优化与维护。
作为图形算法工程师，你将参与到中国动画行业前沿的图形学、AI技术开发，推动动画工业化发展： 1、攻坚图形算法，解决3D动漫、电影制作中的难题，包括但不局限于：模型拓扑迁移、服装生成、布料毛发解算、碰撞解缠、3DGS等； 2、AI与图形算法的交叉应用，利用创新思维解决传统CG不易解决的问题； 3、在Maya、Houdini、Unreal5等制作平台上实现并落地算法，与技术美术配合迭代优化算法，落地到实际影视项目生产中。
部门介绍： 业界领先的地图渲染团队，新一代智能导航的领军者。核心目标是通过导人、导车的产品形态落地，核心技术能力的升级创新，持续为导航、打车、信息、汽车的地图渲染、车道级导航、AI应用提供引擎能力支撑；还有面向未来的云渲染、数字孪生等方向的探索；团队专注地图渲染研发，技术氛围浓厚、追求产品极致，以连接真实世界，服务于广大用户的出行和生活。 部门亮点： ● 车道级导航业界领先，利用几何建模技术，最早实现了人车共导和沉浸式导航。 ● 3D视界，采用游戏化实时渲染技术，结合AI技术，创新性实现了时空互联地图。 ● 顶流产品所需要的渲染技术、图形学、几何建模等业界难题等你来挑战。 岗位职责： 1. 负责3D空间关系构建与建模算法研发； 2. 负责几何图形算法的架构设计与落地； 3. 负责道路数据的精细化渲染研发。
高精地图和定位团队介绍 如果将无人车和人脑类比，高精地图和定位系统大致对应于后者中掌管空间记忆、感知和定位的部分。它的使命是为无人车提供翔实准确的道路3D几何和语义信息，让无人车对行驶环境了如指掌，从而在其中行动自如，我们同时还负责提供高速、精准的3D定位，让车辆每时每刻都知晓当前的精确位置。高精地图和定位在无人车技术栈中占据着非常重要的位置，感知、规划、控制、仿真等各大模块都要依赖它提供的道路环境以及车辆位置的信息对周围世界进行理解，做出正确的决策。文远知行的高精地图和定位团队和公司一起成长，完全自主构建了大规模高精地图，覆盖中美多个城市超过3000公里道路，提供精确达厘米级的3D结构数据以及车道线、交通信号等大量语义信息。自行研发的定位技术，基于激光雷达、相机、卫星及惯性导航等多传感器融合，能提供实时的厘米级定位，成功实现了在暴雨中自动驾驶穿越1.5公里长隧道。 在人工智能的应用中，高精地图和定位是比较独特的。我们知道，计算机视觉作为人工智能的重要分支，其核心问题分为语义理解和几何理解两大类，前者以解析图像中物体或场景的语义信息为目的，后者的目标则是重构3D场景以及对物体进行3D定位。在高精地图和定位系统中，恰恰这两大类技术都有着非常关键的应用。除此之外，我们还是高精度卫星、惯性导航等硬件的重度用户，多模态信号处理和融合更是我们的核心技术之一。因此，这是一个多学科高度综合的应用，无论你精通深度学习等机器学习技术，还是专攻3D重建、SLAM，又或是信号处理、多传感器融合高手，这里都有你一展身手的广阔空间。同时，我们致力搭建大规模、高可用的高精度地图系统，大数据和全栈开发的编程精英同样能找到用武之地。 1. 基于深度学习打造不依赖高精度地图的定位和实时地图系统，包括模型设计、训练、部署，车上系统反馈和形成数据闭环 2. 设计和构建深度神经网络模型，用于对传感器数据进行特征提取、数据融合和位置估计 3. 处理和分析大规模的自动驾驶系统相关的Camera、Lidar、GPS和IMU等各种传感器数据，利用深度学习技术进行特征提取、数据建模和预测分析 4. 进行深度学习模型的调优和调参，以提高模型的性能、效率和鲁棒性
工作职责： 1. 负责研发自动驾驶系统中的城市NOA场景的视觉3D障碍物检测算法/通用障碍算法(优先)/端到端检测跟踪规划网络。 2. 优化并完善城市复杂场景的实时性和鲁棒性包括最远距离和测距、朝向等精度，确保在复杂城市环境中的业界领先水平。 3. 对算法进行持续的验证、测试和优化，与测试团队合作，处理真实驾驶场景下的异常情况。 。