哈啰智驾算法工程师/专家（VLA.VLM方向）-【自动驾驶】
任职要求
任职资格： 1. 计算机、人工智能、深度学习或相关专业硕士及以上学历； 2. 具备扎实的深度学习基础，熟悉Transformer、BERT、ViT、CLIP、BLIP等主流的视觉语言模型框架； 3. 熟悉VLM（如Qwen-VL系列，InternVL系列）或LLM（如GPT系列，LLaMA系列），具备大模型预训练、微调、推理和工程化等经验； 4. 具有VLA建模、生成…
工作职责
工作职责： 1. 基于Vision Language Model（VLM）和Large Language Model（LLM），设计和实现自动驾驶中面向行为预测和运动规划的基座模型； 2. 参与基座模型的预训练、后训练（SFT + RL），提升基座模型的行为预测和运动规划能力； 3. 针对车端/云端部署，开展模型算法层面的性能优化工作，例如压缩，剪枝，蒸馏，训练/推理加速等，确保模型可用性、系统实时性和资源利用率； 4. 与硬件团队、部署团队和系统团队紧密协作，推动模型部署，以及在仿真和车载平台的落地； 5. 跟踪行业前沿技术，将创新性方案应用于实际项目，推动新技术在产品中的落地。
1、 负责自动驾驶一段式算法的设计、训练、迭代及量产落地； 2、基于真实车载数据，优化模型感知、预测、决策性能，解决复杂场景算法鲁棒性问题； 3、搭建数据闭环体系，通过模型调优、消融实验，持续提升算法泛化能力； 4、负责算法轻量化、TensorRT/CUDA推理优化、车载部署与实车调试，保障量产性能指标； 5、 跟进前沿端到端自动驾驶技术，落地适配车型量产方案。
1. 负责基于强化学习（如Online/Offline RL、Model-based RL）的自动驾驶行为决策与运动规划算法研发，重点解决结构化道路（高速、城市快速路）及非结构化场景（自动泊车）中的动态交互与博弈问题； 2. 针对复杂动态场景（密集车流、无保护路口、人车混流），设计基于数据驱动的决策规划算法，通过大规模分布式训练系统提升策略的智能性、安全性及泛化能力； 3. 构建与迭代仿真环境（如CARLA、NVIDIA Isaac）与世界模型，推动强化学习策略的仿真训练与实车迁移（Sim2real），形成“真实数据→仿真训练→实车验证”的闭环优化； 4. 参与全栈自动驾驶决策控制系统的开发，对接感知、预测、端到端模块，实现基于强化学习的决策规划算法在车载平台上的部署、性能优化与实车路测； 5. 跟踪强化学习在自动驾驶领域的前沿进展（如大模型与RL结合、逆强化学习、多智能体博弈），进行技术预研与算法创新，推动研究成果在量产项目中的应用与落地。
- 参与端到端自动驾驶算法的长期技术路线图，包括模型架构（如Transformer、Diffusion Model等）选型到整体方案设计。 - 深入一线，解决研发过程中最棘手的技术难题，如长尾场景处理、模型收敛性、部署效率等。 - 推动端到端模型在量产项目中的评估、测试和部署，对最终的产品性能和用户体验负责。 - 参与营造开放、创新、高效的研发氛围。
1、数据闭环体系搭建与落地：负责自动驾驶全链路数据闭环体系设计与搭建，日均处理亿级传感器原始数据及标注数据，保障数据从采集、处理到模型训练的端到端流转，支撑感知、决策规划等端到端模型的高效训练； 2、数据闭环工具链研发： 2.1 云端数据处理 pipeline 开发： •针对标注数据、场景数据，设计并落地数据清洗（去噪、去重、异常过滤）、解析、切片、抽帧、送标（对接标注平台）的全流程自动化 pipeline； •优化 pipeline 吞吐量与延迟，目标支撑日均 10 万 + 场景数据处理，服务算法团队数据生产需求； •推动工具链部署落地，解决线上运行故障（如数据阻塞、接口兼容问题），保障工具链可用性。 2.2 高价值场景数据挖掘体系建设: •搭建 “规则 + 大模型” 双驱动的数据挖掘产线：针对规则挖掘，设计接入多种传感器、定位、感知、底盘、车身信号并优化规则策略；针对大模型挖掘任务，完成数据方案制定、模型微调、loss优化、模型评测等； •与算法团队协作迭代挖掘策略，提升 corner case 召回率（目标≥85%）。