哈啰感知算法工程师（模型部署集成）-【自动驾驶】
任职要求
1.计算机、自动化、电子工程等相关专业本科及以上学历，2年以上嵌入式AI模型部署、集成或测试经验； 2.熟练掌握Python、C/C++编程，熟悉主流深度学习框架（如PyTorch/ONNX/TensorRT等）； 3.有ROS2开发经验，能够进行节点集成、系统调试与部署验证； 4.熟悉自动化测试、性能测试流程，有自动化CI/CD、端云协同部署与OTA升级经验优先； 5.具备算子开发、优化和集成经验，能针对硬件平台（如CUDA、DSP等）进行底层算子适配； 6.有NVIDIA Orin、Thor、TI TDA4、J5/J6、高通等芯片的模型部署/集成经验优先； 7.有目标检测（OD）、占用网络（OCC）、车道线（Lane）、交通灯（TFL）、交通标志（TFS）、E2E等感知模型部署经验者优先。 8.具备良好的沟通能力、团队协作能力及主动学习能力。 加分项 - 有实际量产项目部署测试经验，或参与过自动驾驶感知系统的端到端上线； - 熟悉异构计算平台、多芯片协同调度、模型自动化部署工具链； - 具备一定算法背景，了解模型结构、剪枝、量化、蒸馏等优化方法。 - 英语良好，能阅读、撰写技术文档。
工作职责
1.负责自动驾驶/智能驾驶相关感知模型在嵌入式终端的部署测试、性能验证和集成落地； 2.参与模型从训练到推理的全流程部署测试，包括模型转换、自动化部署、集成验证与功能/性能测试； 3.负责定制和开发高效算子，适配NVIDIA Orin、Thor等芯片平台，满足自动驾驶场景下的性能需求； 4.参与ROS2及自动驾驶中间件（如Thor平台）相关的模型部署、节点集成与系统调试； 5.负责编写部署测试方案、自动化测试脚本与相关技术文档，推动部署流程标准化； 6.与算法、系统、软件团队密切协作，推动模型及算子在多芯片、多平台上的高效集成。
1、激光雷达感知算法开发与优化。负责自动驾驶场景中激光雷达感知算法的设计、开发和迭代，包括3D目标检测、点云分割、目标跟踪、可行驶区域识别等。需结合深度学习框架（如PyTorch、TensorFlow）优化模型性能，并完成算法上车部署。 2、前沿技术研究与预研。跟踪国际最新研究成果（如PointNet++、PointPillars、CenterPoint等模型），探索无监督/弱监督学习、强化学习等方向在感知领域的应用，推动技术落地。 3、团队管理与跨部门协作。负责技术文档编写、团队任务分配及进度把控，与系统集成、测试、规划模块工程师协作，确保感知算法与整车系统的兼容性和性能优化。 4、数据管理与模型迭代。主导数据标注规则制定、数据挖掘及模型评测，分析badcase并优化算法性能。需熟悉CUDA、TensorRT等加速工具，提升模型在嵌入式平台的运行效率。
1、目标轨迹预测算法开发： 1-1、基于激光雷达点云数据，结合摄像头、毫米波雷达等多传感器信息，开发动态障碍物（如车辆、行人）的轨迹预测算法，包括短时轨迹预测、行为意图预测，并优化预测模型的准确性与实时性。 1-2、典型任务：长短期记忆网络（LSTM）、Transformer等深度学习模型的改进，融合时序信息与空间特征。 2、多模态数据融合与预测模型构建： 2-1：主导多传感器（激光雷达、摄像头、IMU等）数据的时空对齐与融合，设计联合预测框架，提升复杂场景（如十字路口、拥堵路段）下预测系统的鲁棒性。 2-2：涉及技术：卡尔曼滤波、粒子滤波、贝叶斯网络等。 3、预测算法验证与场景适配：通过仿真工具（如CARLA、LGSVL）和实车测试验证预测算法性能，分析极端场景（如紧急变道、鬼探头）的预测失败案例（badcase），优化模型泛化能力。 4、协同规划与控制模块：将预测结果与自动驾驶决策、路径规划模块深度集成，提供动态障碍物的未来轨迹概率分布，支持车辆避障、跟车等决策逻辑。
1、负责深度学习模型的部署与优化，确保模型在目标硬件平台上的高效运行； 2、参与模型压缩、量化、剪枝等优化技术的研究与实现，提升模型在边缘设备上的推理效率； 3、与算法团队协作，将训练完成的模型封装为可部署的推理服务，支持多平台适配； 4、负责模型部署后的性能监控与调优，确保模型在不同硬件平台上的稳定性与一致性； 5、编写自动化部署脚本与测试用例，提升部署效率与自动化水平； 6、跟踪前沿技术，探索模型部署在边缘计算、嵌入式系统等场景下的应用潜力； 7、参与CUDA生态的底层算子开发与优化，提升模型在GPU平台上的推理性能； 8、与硬件团队协作，优化模型在异构计算平台（如GPU、NPU、DSP）上的部署方案；
1，算法开发与优化： 负责自动驾驶模型算法的研发设计，包括但不限于行为决策、轨迹生成、运动规划等模块的深度学习/强化学习模型设计 探索基于Transformer、模仿学习（Imitation Learning）、强化学习（RL）等前沿技术的模型算法设计、应用方案 优化自动驾驶算法的实时性、安全性和舒适性，解决复杂场景（如拥堵、交互博弈、长尾问题）下的规划挑战 2，数据驱动迭代： 构建和利用大规模驾驶数据集（仿真+真实数据），设计数据闭环 pipeline 提升规划性能 参与数据标注、场景挖掘、仿真测试等环节，推动算法迭代 3，系统集成与部署： 与感知、控制等模块团队协作，实现模型算法在车载计算平台的部署 支持实车测试，分析问题并提出改进方案。 4，前沿技术跟踪： 跟进学术界（如CVPR、ICRA、CoRL）和工业界最新进展，将创新技术落地到量产或研发项目中