哈啰智驾决策规划算法实习生
任职要求
任职要求 ： 1. 专业背景： ● 计算机、自动化、电子工程、机械工程等相关专业在校生，硕士优先，本科需具备扎实的数学基础； ● 有智驾行业决策规划算法相关研发经验。 ● 实习时间大于3个月； 2. 编程能力： ● 熟练使用C++（Linux环境）进行算法开发，熟悉Python用于工具链开发； ● 有ROS、Apollo开发经验者优先。 3. 算法基础： • 熟悉决策算法（如FSM、POMDP）或规划算法（iLQR、QP优化等），了解车辆动力学模型； 熟悉时空联合规划算法是加分项。 4. 工程能力： • 具备功能开发全流程意识，能独立完成算法模块的编码、单元测试及日志分析； • 熟悉Git等版本管理工具，代码风格规范； 。 5. 个人素质： ● 逻辑清晰，主动性强，能快速理解业务场景需求，具备跨团队沟通能力。 加分项： • 有智驾行业实习经验； • 参与过智能车/机器人竞赛或相关项目。 实习收获： • 深入参与自动驾驶算法开发，掌握决策规划全链路技术； • 与资深工程师合作，获得算法设计、工程落地及问题排查的实战经验； ● 表现优异者，有实习转正通道。
工作职责
工作职责： 1. 算法开发与验证：参与结构化/非结构化道路的决策规划算法设计与开发，包粗轨迹生成、决策体系搭建，并通过仿真或实车测试验证算法效果； 2. 问题分析与闭环：协助分析道路测试数据，定位决策逻辑或规划轨迹的异常根因，提出优化方案并参与代码实现，提升算法鲁棒性； 3. 工具链支持：开发或优化调试工具链（可视化工具等），支持算法快速迭代与效果追踪。
1. 协助研发基于强化学习（RL）或模仿学习（IL）的自动驾驶决策规划算法，解决复杂交通场景下的车辆行为决策与运动规划问题； 2. 参与构建和优化用于训练决策模型的数据处理流程，包括特征工程、场景提取、奖励函数设计及大规模数据集处理； 3. 负责或参与相关算法的仿真测试、实车调试、性能评估与迭代优化，推动算法在真实环境中的性能提升和落地； 4. 跟踪并调研强化学习、模仿学习、行为预测等领域的国际前沿动态与最新研究成果（如顶会论文CVPR, ICRA, NeurIPS, ICML等），并尝试将其应用于实际项目； 5. 协助端到端自动驾驶大模型或相关子模块的研发与优化工作。
1. 设计并实现端到端智驾大模型，整合感知、规划与决策功能，提升模型的整体性能与效率； 2. 运用深度学习、强化学习、机器学习等技术，优化模型结构，提高模型对复杂驾驶场景的理解和应对能力； 3. 负责收集、标注和处理自动驾驶相关数据，构建高质量的数据集，为模型训练提供有力支持； 4. 利用数据增强、迁移学习等方法，提升数据利用效率，优化模型的泛化能力； 5. 跟踪自动驾驶和人工智能领域的最新研究成果，探索新技术在端到端大模型中的应用可能性。
-负责自动驾驶系统中基于深度学习的轨迹、意图预测算法的研究与实现 -研发自动驾驶决策规划大模型，利用模仿学习、强化学习等技术，实现复杂交通场景下的端到端自动驾驶 -参与端到端智驾系统设计与讨论，输出技术架构与设计方案 -负责智驾系统问题分析优化，识别模型算法与数据缺陷，并做出改进 -处理大规模数据集，进行数据清洗、特征提取、模型训练和评估，优化算法的性能和效果
1、负责L4级自动驾驶车辆的规划（Planning）与控制（Control）算法开发，包括路径规划、行为决策、运动控制等模块的设计与实现； 2、针对复杂交通场景（如无保护左转、拥堵路段、行人交互等）优化算法，确保系统满足安全性、舒适性及实时性要求； 3、与感知、定位、仿真团队协作，完成多模块系统集成与功能验证； 4、主导实车测试与问题排查，分析日志数据并提出算法改进方案； 5、撰写技术文档，支持功能安全（ISO 26262）及预期功能安全（SOTIF）认证。 6、规划算法： 6-1、掌握分层规划框架（全局路径规划+局部行为决策），熟悉A*、RRT*、Lattice Planner等算法； 6-2、具备博弈论（Game Theory）或强化学习（如DQN、PPO）在交互场景中的应用经验。 7、控制算法： 7-1、精通PID、MPC（模型预测控制）、滑模控制，熟悉车辆动力学模型（如自行车模型）； 7-2、有轨迹平滑（Spline、Bezier曲线）及舒适性优化（加加速度约束）经验。 8、工具链： 8-1、熟练使用ROS2、Apollo平台，掌握MATLAB/Simulink进行控制模型仿真； 8-2、熟悉HIL（硬件在环）测试及Log分析工具（如Wireshark、ROSbag）。