小米顶尖应届-端到端仿真系统开发算法工程师-汽车

1.负责人形上肢的操作抓取控制算法开发，实现基于神经网络的从感知到关节指令的端到端控制，满足机器人在工厂以及日常场景的作业需求； 2.和大模型相结合，利用语言交互以及视觉，触觉等多模态信息实现在不同应用场景下的功能泛化和长序列动作； 3.参与端到端作业任务的数据采集训练平台的搭建和维护。 【课题名称】 机器人端到端操作算法开发 【课题内容】 基于端到端学习方法的人形机器复杂作业功能开发。

1. 围绕终端天线的关键开发活动，完成需求分析与效率瓶颈定位； 2. 通过算法与工具开发，构建自动化的全栈工具链，形成可标准化、可扩展的提效体系； 3. 建立数据反馈机制，监控分析过程数据，实现迭代优化和扩展应用； 4. 形成技术资产沉淀，标准化推广运作和内部培训。 【课题名称】 天线自动化调优与分析的提效平台优化和应用 【课题内容】 1. 构建一套覆盖天线设计、调优、分析的自动化工具链，解决传统人工操作效率低、经验依赖性强的问题，长期围绕AI提效的理念横向扩展； 2. 研究包括但不限于以下方向：FPC天线自动化调优、有源器件参数自动化配置、场测Log数据智能分析等； 3. 匹配业务开发流程，实现核心算法开发与端到端的自动化Demo（从参数生成到实测验证）； 4. 透过试点项目的运作，量化研发提效逻辑，实现地域特色能力扩圈； 5. 透过过程数据分析，挖掘潜在的深层次扩展应用，如识别设计边界，基础规律，数据间的隐含关联性等。

1. 研究并实现适用于自动驾驶场景的强化学习/模仿学习/混合学习策略； 2. 推动策略优化算法在实车数据和仿真数据间的迁移落地； 3. 联合量产团队完成RL策略在真实驾驶系统中的部署与评估。 【课题名称】 基于强化学习的E2E Planning 【课题内容】 致力于通过强化学习范式建立从视觉输入到控制输出的直接路径，强调在长期决策、稀疏奖励、环境反馈闭环中建模agent的真实驾驶行为。探索强化学习在自动驾驶E2E系统中的策略稳定性、泛化性与数据效率。

1. 研究并实现适用于自动驾驶场景的强化学习/模仿学习/混合学习策略； 2. 推动策略优化算法在实车数据和仿真数据间的迁移落地； 3. 联合量产团队完成RL策略在真实驾驶系统中的部署与评估。 【课题名称】 基于强化学习的E2E Planning 【课题内容】 致力于通过强化学习范式建立从视觉输入到控制输出的直接路径，强调在长期决策、稀疏奖励、环境反馈闭环中建模agent的真实驾驶行为。探索强化学习在自动驾驶E2E系统中的策略稳定性、泛化性与数据效率。