负责 IMU / GNSS / VRS 等定位传感器的选型、系统集成与标定，负责传感器上车集成、标定流程构建与工具链完善，确保满足 L4 自动驾驶在精度、可靠性、鲁棒性及冗余方面的要求。 推动定位系统在域控与整车电子架构中的接口设计与数据链路打通，负责与域控、整车网络的交互接口定义（CAN/FlexRay/以太网），协助制定定位系统数据格式、时序同步策略，确保实时性与数据一致性。 负责定位系统调试、性能验证、DV/PV 测试及问题闭环，搭建定位系统测试环境，开展台架测试与整车路测，分析定位异常问题，输出优化方案并推动落地。 参与下一代定位技术路线规划，探索新方案 / 新架构，基于 L4 自动驾驶场景需求，调研新型定位技术（多频 RTK、PPP-RTK、双天线惯导、UWB、车路协同 V2X 定位等）。 主导供应商技术评审、技术规范制定与量产导入，参与供应商技术方案审核、潜在风险评估，编写技术规范（Technical Spec / ICD），负责定位设备的量产导入、质量改善与持续优化。 与算法、软件、硬件团队协作推动项目落地，负责跨团队技术沟通，确保传感器、算法、定位中台、域控软件之间的数据链路顺畅。

环卫部门介绍：文远知行无人驾驶环卫车事业部是文远知行的一个重要业务板块，致力于开发安全可靠的无人驾驶环卫技术，为公开道路提供智能环卫服务。文远知行全无人驾驶环卫车，可在全无人驾驶的情况下进行安全行驶，并在需要清洁的路段全自动展开环卫作业，包括洗扫、干扫、后喷雾、对冲等多种功能；完成道路清扫、洒水降尘、喷洒消杀等公开道路环卫任务，显著提升环卫工作效率，并消除传统人工环卫作业的安全隐患。 【测试开发工程师-环卫车事业部-广州】 1、保障自动驾驶车辆系统, 软硬件问题可以处理. 保证自动驾驶车辆的正常测试和运营. 负责车辆运营过程中的问题及时处理; 2、针对自动驾驶系统 和 硬件, 做对应的测试方案, 并反馈相关的测试问题. 3、保证自动驾驶系统 的 版本一致性.；

环卫部门介绍：文远知行无人驾驶环卫车事业部是文远知行的一个重要业务板块，致力于开发安全可靠的无人驾驶环卫技术，为公开道路提供智能环卫服务。文远知行全无人驾驶环卫车，可在全无人驾驶的情况下进行安全行驶，并在需要清洁的路段全自动展开环卫作业，包括洗扫、干扫、后喷雾、对冲等多种功能；完成道路清扫、洒水降尘、喷洒消杀等公开道路环卫任务，显著提升环卫工作效率，并消除传统人工环卫作业的安全隐患。 【决策/控制/运动规划算法工程师-环卫车事业部】 和智能出行专家团队一起工作，推动人工智能的最前沿发展， 研发用于自动驾驶的路径规划、运动控制、泊车运动轨迹规划等等。 技术方向包括但不限于： motion freespace、motion planning、决策规划、控制算法等方向。

环卫部门介绍：文远知行无人驾驶环卫车事业部是文远知行的一个重要业务板块，致力于开发安全可靠的无人驾驶环卫技术，为公开道路提供智能环卫服务。文远知行全无人驾驶环卫车，可在全无人驾驶的情况下进行安全行驶，并在需要清洁的路段全自动展开环卫作业，包括洗扫、干扫、后喷雾、对冲等多种功能；完成道路清扫、洒水降尘、喷洒消杀等公开道路环卫任务，显著提升环卫工作效率，并消除传统人工环卫作业的安全隐患。 【算法测试工程师-环卫车事业部】 1、参与系统测试与验证：协助完成环卫车系统的功能测试、性能验证及场景评估，参与仿真测试与软件在环验证，学习并输出测试分析报告； 2、支持问题分析与优化：在指导下分析仿真及实车测试数据，协助定位系统问题，推动算法迭代优化； 3、参与测试工具开发：学习并使用自动化测试工具，辅助开发脚本提升测试与数据处理效率； 4、辅助标准与流程建设：参与自动驾驶相关评价体系的测试验证，支持系统合规性迭代。

环卫部门介绍：文远知行无人驾驶环卫车事业部是文远知行的一个重要业务板块，致力于开发安全可靠的无人驾驶环卫技术，为公开道路提供智能环卫服务。文远知行全无人驾驶环卫车，可在全无人驾驶的情况下进行安全行驶，并在需要清洁的路段全自动展开环卫作业，包括洗扫、干扫、后喷雾、对冲等多种功能；完成道路清扫、洒水降尘、喷洒消杀等公开道路环卫任务，显著提升环卫工作效率，并消除传统人工环卫作业的安全隐患。 和智能出行专家团队一起工作，推动人工智能的最前沿发展， 研发用于自动驾驶的路径规划、运动控制、泊车运动轨迹规划等等。 技术方向包括但不限于： motion freespace、motion planning、决策规划、控制算法等方向。

1. 参与自动驾驶大数据湖仓一体架构的开发与维护，支撑海量多模态数据（日志、点云、视频等）的存储与查询系统建设 2. 协助构建数据湖元数据管理、数据治理及血缘体系，在导师指导下保障数据资产的质量、安全与可追溯性 3. 参与存储引擎性能分析与优化实践，针对自动驾驶业务场景探索读写加速与成本优化方案 4. 开发和维护数据入湖ETL Pipeline及同步工具，提升数据流转效率，保障链路稳定性 5. 与算法团队及平台团队协作，参与标准化数据服务接口开发，支持算法迭代与数据分析需求

岗位简介 加入我们，你将参与国内头部自动驾驶公司万卡级GPU训练集群的构建与优化，直接支撑端到端自动驾驶大模型的训练迭代。在这里，你会深入PyTorch编译器、CUDA Kernel、NCCL通信库的最底层，解决千卡训练中的线性度瓶颈、显存墙和故障快速定位等硬核挑战。 分布式训练框架开发：参与大规模分布式训练任务的调度、编排与执行框架开发，支持数据并行、模型并行、流水线并行及混合并行策略。 训练性能极致优化：基于 PyTorch 2.x / Torch Compile / Triton 进行训练性能分析与优化，探索 FP8 混合精度、自定义 CUDA 算子、通信计算重叠等前沿加速方案。 训练稳定性保障：构建训练故障自动检测与恢复机制（慢节点定位、RDMA 异常检测、Checkpoint 智能管理），保障千卡任务长期稳定运行。 数据与存储优化：优化海量训练数据（视频、点云、图像）的预处理 Pipeline 与存储读取性能，降低数据加载对GPU利用率的影响。 GPU 集群资源调度：参与基于 Kubernetes 的 GPU 虚拟化与调度平台建设，提升集群资源利用率与任务并发度。

岗位简介 加入我们，你将负责自动驾驶大模型从实验室到车端落地的关键一环——构建高吞吐、低延迟的推理服务平台。你会接触到业界最前沿的推理引擎（TensorRT、SGLang、vLLM）、KV Cache 共享与 P/D 分离架构，以及面向多模态大模型（VLM）的异构推理优化，直接影响自动驾驶系统的实时感知与决策能力。 推理服务化平台建设：参与构建高可用的模型推理服务平台，支持 LLM / VLM 等模型的服务化部署、弹性扩缩容与多租户隔离。 推理引擎深度优化：基于 TensorRT、TorchScript、SGLang、vLLM 等框架进行推理性能优化，探索 INT8/FP8 量化、算子融合、动态 Batch 等加速手段。 KV Cache 与显存管理：参与设计高效的 KV Cache 管理策略（如 Mooncake / LMCache 方案），支持长上下文场景下的显存高效利用与跨实例共享。 P/D 分离与推理架构：参与 Prefill-Decode 分离架构的设计与实现，优化首 token 延迟与整体吞吐，支撑自动驾驶场景下的实时交互需求。 端云协同推理：探索车端（Thor / Orin 等）与云端协同推理方案，参与模型轻量化、蒸馏与边缘部署优化。