蔚来端到端静态感知算法工程师
任职要求
任职要求 1. 教育背景 - 计算机科学、自动化、车辆工程、 Robotics、数学或相关领域的本科及以上学历。 2. 技能要求 - 熟悉轨迹预测和后处理算法，如卡尔曼滤波、优化算法（QP、SQP等）。 - 熟悉车辆动力学模型和运动规划算法。 - 熟练掌握C++/Python编程，具备良好的代码实现能力。 3. 经验要求 - 有智能辅助驾驶、机器人或相关领域的轨迹预测、运动规划或后处理算法开发经验者优先。 - 有实际项目经验，熟悉自动驾驶系统的整体架构和模块交互者优先。 4. 其他要求 - 具备良好的数学基础，熟悉优化理论、概率论和线性代数。 - 具备较强的分析和解决问题的能力，能够独立完成算法设计和实现。 - 良好的团队合作精神和沟通能力。 加分项 - 熟悉深度学习在轨迹预测中的应用（如LSTM、GNN等）。 - 有实车测试或大规模数据处理经验。 - 在顶级会议或期刊（如CVPR、ICRA、IROS等）发表过相关论文。
工作职责
职位描述 我们正在寻找一位专注于端到端静态感知算法工程师，负责智能辅助驾驶环境认知和导航参考线功能。该职位将直接参与智能辅助驾驶核心算法的开发与优化，推动智能辅助驾驶技术的落地应用。 主要职责 1. 动态目标预测后处理 - 负责对动态目标（如车辆、行人、自行车等）的轨迹预测结果进行后处理优化，确保轨迹的平滑性、物理可行性和动态一致性。 - 设计并实现基于运动学和动力学约束的轨迹优化算法，包括但不限于Jerk优化、加速度连续性约束、曲率约束、碰撞避免等，以提升轨迹的合理性。 - 结合预测模型输出的目标状态（如位置、速度、加速度）、轨迹分布和意图（如变道、转弯、停车），以及静态环境信息（如车道线、交通标志、路缘石），进行后处理优化。 2. 算法开发与实现 - 开发和实现高效的轨迹后处理算法，确保其满足实时性要求。 - 使用C++/Python等编程语言实现算法，并集成到自动驾驶系统中。 3. 跨团队协作 - 与感知、预测、规划团队紧密合作，确保轨迹后处理模块与其他模块的无缝集成。 - 支持实车测试，解决实际应用中的问题。
1. 自动驾驶深度学习方向感知算法研发； 2. 研发3D目标检测，车道线/道路拓扑，红绿灯感知模型； 3. 研发视觉BEV感知以及多模态前融合算法； 4. 研发多任务模型优化，模型网络结构优化算法； 5. 跟进前沿算法，研发端到端自动驾驶感知预测one model模型，World Model等算法； 6. 感知多模态融合与多目标跟踪算法技术研发；
1. 负责研发面向高精度静态环境感知的端到端深度学习模型，重点覆盖交通信号灯（红绿灯）、交通标识、车道线、路缘、静态障碍物等关键元素的检测与识别。 2. 构建并优化基于多传感器（摄像头、激光雷达、高精地图）融合的静态场景感知算法，确保在复杂城市道路、隧道、强光/弱光等极端场景下的鲁棒性。 3. 主导红绿灯的状态识别（颜色、闪烁、倒计时）及空间定位算法研发，解决小目标检测、遮挡、动态背光等关键技术挑战。 4. 设计端到端模型架构（如BEV感知、Transformer-based模型），实现从原始数据到结构化静态场景输出的高效映射。
工作职责【负责其中之一的方向即可】 1、【道路几何方向】跟进学界最新主流道路集合感知进展，包括且不限于车道线，停止线，斑马线，Roadmarker, 道路拓扑等方向 2、【Occupancy方向】跟进学界最新主流占据网络感知层面进展，研究基于相机、激光雷达、毫米波雷达等Occupancy感知方案，业界内形成技术领先； 3、【BEV方向】跟进学界主流BEV感知进展，研究基于相机、激光雷达、毫米波雷达等端到端BEV感知方案，业界内形成技术领先； 4、【激光雷达方向】跟进学界主流激光雷达感知进展，研究基于激光雷达的动态&静态障碍物感知技术，业界内形成技术领先；
1. 参与毫米波雷达技术在智能家居、医疗健康、IoT等领域的算法研发工作； 2. 研究并开发毫米波雷达信号处理算法，包括波形设计、FMCW信号处理、MIMO信号处理、新体制雷达方案设计及信号处理算法等； 3. 研究并优化目标检测、跟踪及分类算法，提高雷达对动态/静态目标的感知能力；研究并优化毫米波雷达生命体征信号测量能力，提高雷达对微动信号的测量精度； 4. 结合深度学习技术优化毫米雷达全链路算法及端到端感知能力； 5. 参与芯片方案选型、定制化工作，参与全链路算法设计及部署工作，参与毫米波雷达与产品侧联调、部署、优化等任务； 6. 关注前沿研究，阅读相关论文，推动新技术在实际应用中的落地。