小鹏汽车【26届校招】自动驾驶架构产品工程师
任职要求
1、学历与专业：全日制硕士学历，2026应届毕业生，计算机科学与技术、汽车电子、自动化、电气工程及其自动化、电子信息工程等相关专业优先； 2、学业与基础能力：成绩优异，具备扎实的专业理论基础；了解 C/C++、Python 等至少一种编程语言基础，有简单代码编写经验者优先；掌握 Linux 系统基础操作，有嵌入式设备（单片机、工控机、硬件在环设备）开发经历者优先，了解 CAN/LIN/ 以太网等汽车通信基础知识者优先； 3、技术兴趣与认知：对自动驾驶技术有浓厚兴趣，了解自动驾驶基本原理（如模型、中间件、驱动、OS、芯片等）；对域控制器、传感器（摄像头、雷达等）有初步认知；对 DDS/ROS/CyberRT 等通信中间件、AutoSAR 开发概念有初步了解者优先； 4、实践经历偏好：有自动驾驶、汽车电子、嵌入式开发、智能硬件等相关领域的校园项目、科研课题、学科竞赛（如智能车竞赛、机器人竞赛）或自动驾驶上下游企业实习经历者优先； 5、综合素质要求：具备良好的学习能力、逻辑思维能力和抗压能力，能快速接受新知识；拥有良好的沟通表达与组织协调能力，具备强烈的责任心和团队合作精神；对技术细节有敏感度，具备基础的问题分析与解决意识。
工作职责
(此岗位为系统岗位，不需要开发coding) 1、协助系统设计工作：在资深系统工程师指导下参与自动驾驶软硬件系统设计辅助工作，包括域控制器架构梳理、传感器连接方案分析、底软及中间件基础方案研讨；协助编制技术文件，学习技术文档的规范与逻辑，配合解决基础技术疑问，确保符合系统基础需求； 2、参与架构方案评估：协助收集域控制器系统架构相关的技术资料，参与架构方案的影响因素分析及讨论；配合完成方案落地过程中的基础调研与数据统计，学习架构设计的核心思路； 3、支持产品交付：参与自动驾驶产品量产项目，跟进软硬件开发的基础环节，协助完成测试验证数据整理、版本发布辅助及实施流程跟进等工作，熟悉全流程运作机制； 4、配合车型项目推进：紧扣整车开发基础流程，协助部门内外部基础资源；参与项目节点的基础跟进工作，整理项目进展和风险点，配合推进问题闭环的工作； 5、辅助文档编写评审：学习自动驾驶开发流程中各类技术文档的标准；协助编写域控制器硬件、基础软件及智能驾驶系统功能相关的基础文档，配合完成文档评审的准备工作。
1、负责进行高阶智能驾驶整车级系统测试，体验评估测试，建立自动驾驶系统的测试流程规范体系 2、依据相关的标准和设计目标，对系统全流程进行功能/性能/可靠性测试 3、负责相关联传感器及执行器的功能联调及性能验收 4、对所负责功能模块进行专项系统测试，提出系统问题及其协同软件研发团队处理问题和提升性能体验 5、负责国内主流评价体系的专项验证，辅助系统的迭代提升 6、根据项目需求，拟定实车全集测试方案，按需安排和管理系统级规模化路试 7、根据产品和项目特点，设计合理的自动化解决方案和开发相应的测试工具，提高测试效率维护测试车辆和测试环境，包括车辆及相关设备的维护和维修
智能驾驶系统产品线大规控部门负责城区、高速、停车场等全场景高阶辅助驾驶系统的规控和预测算法开发，同时搭建完善的仿真评测体系提升研发质量和效率。 开发理念： 打破惯性思维，根据问题本质寻找答案和设计解决方案； 不技术自嗨，守住性能底线后再做技术创新，用实车效果说话； 用数据驱动的思维做开发，做好数据闭环，注重评测迭代； 不做简单的规则堆叠，传统方法要提炼简洁优雅的“解析解”； 重视工具开发，提升研发效率，打开算法黑盒，尽量做解释性强的方案。 精益求精，打磨产品细节，做出亮点，提升产品体验。 1. 负责轨迹预测、行为决策、路径规划和运动控制等算法开发，并完成嵌入式量产平台部署； 2. 基于海量数据进行道路参与者行为预测算法研发，设计高性能、高准召、高稳定的预测模块； 3. 开发交互式决策和预测模型，改善自动驾驶车辆在复杂环境中的应对能力； 4. 负责自动驾驶系统产品级仿真引擎的架构设计，仿真平台自动化测试及可视化工具链的构建； 5. 构建可扩展的云端仿真框架，以在集群环境中运行批量仿真模拟，减少云端部署和运行成本； 6. 构建完善仿真场景库替代大部分路测，同时生成挑战性的场景增广路测能力； 7. 建立数据自动标注、难例批量挖掘和分析机制工具链，通过数据闭环持续提升算法能力。
1. 负责汽车智能驾驶系统的嵌入式软件开发； 2. 负责汽车智能驾驶系统中间件的软件设计开发； 3. 能正确分析系统需求，根据架构设计实现软件模块和子系统； 4. 在产品生命周期内对软件模块和子系统进行调试、测试、维护和故障排除。
1. 负责自动驾驶多模态数据的合成技术研发与工程实现，构建高质量、多样化的仿真与合成数据，提升训练数据的覆盖场景丰富度与边界案例覆盖率，满足端到端自动驾驶模型的训练需求； 2. 深入分析自动驾驶训练数据的特征与分布规律，运用统计建模、机器学习与因果推理方法挖掘数据中的潜在问题（如样本偏差、长尾分布、标签错误、对抗样本等）； 3. 研究并开发面向自动驾驶场景的高效自动标签算法，基于规则算法和大模型数据挖掘方法，提升为大模型pretrain,sft,RL阶段提供高质量数据； 4. 构建端到端的数据质量评估与过滤体系，设计适用于自动驾驶任务的数据质量指标（如场景完整性、数据分布合理性、时序一致性、合规性等），开发自动化检测工具链，对标签数据、合成数据开展模型训练，提升模型在安全性，效率，合规，安心感等方面的表现； 5. 持续跟踪自动驾驶与大模型的前沿数据技术，推动数据合成、自动标注、质量评估等核心算法在实际工程系统中的部署与落地。