蔚来自动驾驶训练优化工程师
任职要求
计算机、智能辅助驾驶、人工智能等相关专业本科及以上学历，具备扎实的编程能力（Python/C++）。 具备深度学习模型设计与训练经验，熟悉智能辅助驾驶感知、预测、规划等模型的优化与训练。 熟悉主流深度学习框架（如PyTorch/TensorFlow），具备深度学习计算优化、Triton算子优化、CUDA Kernel优化经验。 熟悉分布式训练优化技术（如FSDP、DeepSpeed、ZeRO），具备…
工作职责
围绕数据、模型和算力优化，提升智能辅助驾驶模型训练的效率和规模扩展能力。 设计并优化智能辅助驾驶场景下的视频数据加载、预处理和流式训练方案，提升数据处理效率和系统吞吐量。 协同优化智能辅助驾驶核心模型（如感知、预测、规划）的设计与训练策略，提高模型精度与收敛速度。 应用torch.compile、Triton等技术，优化计算图和分布式训练（数据、模型、张量及Pipeline并行）方案，实现高效算力扩展。 构建自动化优化流程和监控体系，实时分析训练性能，推动系统持续迭代升级，同时支持其他优化探索。
1. 负责深度学习训练框架的架构设计、关键技术研究及研发落地 2. 负责自动驾驶模型训练优化，优化低效算子、数据预处理、通信、低精度训练等。 3. 负责推进训练框架和AI平台的结合，建立先进的训练调度机制、集群算力利用率评估机制等。
1. 负责智能辅助驾驶模型训练优化的研究和落地，通过数据并行，模型并行，通信优化，CUDA算子优化等手段，大幅提升模型的训练速度与效率。 2. 解决智能辅助驾驶模型训练和部署工作中遇到的各种工程和性能问题。负责训练相关的工具链和框架的开发，维护，和优化。
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)
-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