小米智能驾驶-仿真测试工程师
任职要求
1. 本科及以上学历，计算机、电子、自动化、车辆等相关专业，本科5年或硕士3年以上工作经验，有车载软件测试管理或测试开发相关经验者优先。 2. 熟练掌握至少一种HIL仿真测试工具，如dSPACE、NI等，熟练使用VTD、Prescan等仿真软件。 3. 熟悉C/C++或Python编程语言，具备良…
工作职责
1. 基于产品功能开发需求，设计、建设和维护智能驾驶HIL测试系统或数据回灌测试系统，开发各类智驾传感器仿真模块，满足智驾功能安全、预期功能安全、法规准入等测试需求。 2. 依据产品与系统需求文档，编写并评审智驾仿真测试用例，搭建与管理测试场景集，满足功能、性能、故障注入和可靠性测试等多种测试需求，确保测试对功能需求的全面覆盖。 3. 推进台架测试能力提升，包括编写与优化自动化工具框架，提升团队自动化测试效率与质量，持续提升组织技术能力。 4. 与研发、质量、整车等部门密切合作，推进测试计划和测试执行进度，及时发布测试报告并推进测试问题解决。 5. 关注自动驾驶领域的前沿发展动态，引入新的自动化测试方法、先进的测试工具和创新技术，改进现有测试工具和方法，满足多种测试场景需求。
1. 路径规划 ‒ 开发适用于多种场景（如机器人导航、自动驾驶、无人机等）的路径规划算法； ‒ 实现经典和前沿的全局及局部路径规划方法（如 A*、Dijkstra、RRT、DWA 等），优化路径规划的效率和鲁棒性； ‒ 处理动态环境中的路径生成和调整，解决复杂场景下的避障问题。 2. 行动决策 ‒ 研究并实现具身智能体的行动决策算法，设计任务分解和行为选择的逻辑； ‒ 基于行为树（Behavior Tree）、有限状态机（FSM）等方法，构建模块化的决策框架； ‒ 开发多智能体协作与竞争的行动决策模型，支持复杂交互任务的执行。 3. 强化学习（Reinforcement Learning，RL） ‒ 针对具身智能场景（如机械臂控制、机器人动态避障、导航等），设计强化学习的 reward 函数和训练策略； ‒ 实现主流深度强化学习算法（如 DQN、DDPG、PPO、SAC 等），解决高维连续控制与探索问题； ‒ 优化强化学习模型的收敛速度和鲁棒性，提升算法在实际场景中的表现。 4. 模仿学习（Imitation Learning，IL） ‒ 通过专家示范数据（如轨迹、动作序列）训练智能体，实现模仿人类/智能体行为； ‒ 应用行为克隆（Behavior Cloning, BC）、逆强化学习（Inverse Reinforcement Learning, IRL）等技术解决稀疏奖励问题； ‒ 结合模仿学习与强化学习，提升智能体在复杂任务中的学习和泛化能力。 5. 算法优化与工程实现 ‒ 优化算法的计算效率和资源占用，适配实时性要求 ；‒ 在仿真环境（如 Gazebo、PyBullet、Mujoco 等）和真实设备中验证算法性能； ‒ 配合嵌入式团队完成算法在终端设备上的部署与优化。 6. 技术研究与创新 ‒ 跟踪具身智能领域的前沿算法进展，探索新技术的实际应用； ‒ 研究多模态感知与决策（如视觉、语音、触觉）的融合方法，提升智能体的环境理解与行动能力； ‒ 参与长期自主学习、在线学习和自适应学习系统的设计与开发。
1）分析自动驾驶在道路测试和仿真测试中的行为表现，为自动驾驶策略改进提供可行性建议和数据支撑； 2）监控业务指标波动，执行基础下钻分析反馈问题、跟进以及验证问题解决情况； 3）负责Case分析、聚类和跟进闭环； 4）协助整理行业对标工具/方法的基础调研，提出建设性的建议； 5）支持跨团队项目中的数据收集、整理、分析需求；
1、自动驾驶系统验证、算法评估、发版准出评估、版本构建等环节的方案设计和实施，制定计划，设计场景，评估执行并撰写报告； 2、负责问题分析、定位，通过部分系统分析和数据分析工作为部门提供高价值研发数据 3、负责利用SIL、HIL、VIL等手段对自动驾驶系统进行全面评估 4、参与制定/规划符合功能安全规范的自动驾驶软件的测试框架和测试方法； 5、参与质量效能工具平台建设，用系统化、流程化的思路提高软件质量保障效果；
1.利用车载传感器和总线信号估算外界环境信息和车辆运动状态； 2.使用ADAMS/Car或CarSim搭建车辆模型，使用Simulink搭建整车运动控制模型，设计并优化控制算法； 3. 利用激光雷达或摄像头采集前方路面特征作为前馈控制输入； 4.了解人工智能技术在运动状态估计和运动控制领域的应用并具备一定的实践经验； 5.对车辆的转向表现、操控平衡、车身控制、乘坐舒适性等动态性能进行评价； 6.与底盘VD调校工程师合作，进行参数调校和算法迭代，确保高质量的整体性能交付； 7.进行硬件在环（HIL）和软件在环（SIL）测试，验证算法在实际场景中的表现。