小鹏汽车Robotaxi VLA 大模型算法实习生
任职要求
1、计算机、自动化、电子工程、数学、车辆工程等相关专业研究生以上在读； 2、了解 VLA/VLM、大语言模型的基本原理，有相关课程学习或个人项目经验优先； 3、了解自动驾驶基本技术流程，对轨迹预测、运动规划、博弈决策等算法有基础认知者优先； 4、具备良好的数理基础，熟练掌握 C++ / Python 编程语言，熟悉 PyTorch 等深度学习框架； 5、学习能…
工作职责
1、协助资深工程师进行 VLA 自动驾驶大模型的研发与优化，参与训练数据清洗、标注质量校验、模型微调与对比实验验证工作； 2、协助复现和分析 VLA 模型在城市复杂路况下的行为问题，整理路测日志与实验数据，输出标准化的问题分析报告； 3、参与功能安全方案与安全冗余架构的落地工作，协助梳理安全需求、编写测试用例、执行安全验证测试； 4、协助构建分级指令式云舱平台，开发数据处理、模型测试等辅助工具链，测试平台功能并完善技术文档； 5、参与 VLA 模型的集成与版本交付工作，协助进行版本冒烟测试、问题跟踪与交付文档整理。
-负责预测、VLM/VLA、Neural Planner模型研发，用深度学习算法解决/重构规划任务 -负责深度学习模型设计、数据生成、在离线评测和车端部署 -负责数据闭环能力建设，数据驱动提升模型性能 -与上下游模块协同，优化Robotaxi安全性和智能性 -探索自动驾驶端到端大模型技术路径
通过AI模型开发，完成智能驾驶所需要的感知、端到端VLA、世界模型等的开发及车端部署。 1. 跟踪最新的AI进展，在公司自有数据集上完成适配验证，完成AI模型选型； 2. 针对要开发的任务，完成数据方案制定、训练代码编辑、模型结构及loss优化、模型量化部署等； 3. 针对测试问题，设计模型改进方案，迅速修复问题；
工作职责 负责智能驾驶静态环境感知算法的开发与落地，涵盖在线高精地图构建、道路结构解析、静态障碍物检测等方向，保障自动驾驶系统对行驶环境的精准理解。同步参与无图化智驾模型的开发工作。 静态感知算法开发：负责在线高精地图构建（HD Map）、车道线检测、路沿/道路边界检测、地面标识识别等静态感知任务的模型开发与优化； 无图化智驾模型开发：参与无高精地图依赖的感知方案开发，完成"真无图"场景下静态环境理解模型的设计、训练与迭代； 前沿技术跟踪与验证：跟踪 BEV 感知、矢量化地图构建、占用网格预测（Occ）、端到端 VLA/世界模型等前沿方向，在公司自有数据集上完成适配验证与选型； 模型训练与调优：完成数据方案制定、训练 Pipeline 搭建、模型结构设计、Loss 函数优化及超参调优，持续提升模型精度与鲁棒性； 问题定位与迭代：针对路测与仿真中的 Bad Case，快速定位问题根因，设计并实施模型改进方案；
公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门，致力于打造世界领先的 L4 级自动驾驶技术，通过科技让出行更安全、更高效。我们相信，将自动驾驶技术部署在共享出行车队中，将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态，我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队，推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员，你将与国内外顶尖人才一起，研究和开发自动驾驶领域的前沿算法，直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战，利用多模态传感器（LiDAR、Camera、Radar 等）设计、开发并优化感知算法，解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里，你将有机会： 与中美两地的优秀工程师和科学家合作，参与世界级的技术竞争； 深入研究并推动最前沿的学术成果在产业中的落地； 在全球最大出行平台之一的业务场景中，实现科研成果的规模化应用。 主要方向与职责： 你将在以下方向中选定一个或多个方向深入负责，并承担从研发到落地、从算法到系统的端到端职责： （一）物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型，识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性（抗遮挡、夜间、恶劣天气、长尾类别） （二）通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境（施工区域、道路损坏、落物等）中提升鲁棒性 （三）场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解，例如施工区域识别、可通行区域识别等 意图理解，例如行人动作识别、起步意图识别等 交互和事件识别，例如多方交互、交通规则冲突、非规范驾驶行为等 （四）感知大模型 /多模态 探索或应用预训练多模态大模型，将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中，提升复杂场景下的鲁棒性 （五）模型评估、验证 构建完整的评估管道，包括离线评估 + 真实道路 + 模拟环境测试，支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)