The posting
1. 算法集成框架开发 - 参与机器人算法集成框架的设计与开发,抽象模型加载、内存管理、张量传递、多模型调度、前后处理等通用能力,让算法模块以标准化方式接入机器人系统。 - 打通「模型训练产出 → 模型转换/量化 → 推理引擎 → 机器人本体运行」的完整链路,降低算法上车的工程成本。
2. 端侧部署与极致性能优化 - 面向端侧计算平台(GPU / NPU / SoC)完成模型部署,围绕延迟、吞吐、显存占用、功耗做端到端优化。 - 使用 CUDA 等手段编写与优化高性能算子,进行算子融合、内存复用、零拷贝、流水并行、多流并发等优化。 - 实践量化、剪枝、蒸馏、图优化等模型压缩与加速方法,在精度可控的前提下换取性能收益。
3. 性能分析与工具建设 - 使用 Nsight Systems / Nsight Compute、perf 等工具做性能剖析,定位算子级与系统级瓶颈。 - 参与 Profiler、Benchmark、精度对齐与回归测试工具链的建设,让性能与精度变化可量化、可追溯。
4. 协同与落地 - 与算法团队协作完成模型上车前的工程适配,与嵌入式/系统团队协作解决跨层性能问题,把优化经验沉淀为框架能力和文档。
技术背景要求
- 在读本科/硕士/博士,计算机、软件工程、自动化、电子信息、人工智能等相关专业;每周可实习 4 天以上,可连续实习 3 个月以上。
- 熟悉 C++:掌握 C++11/14/17 常用特性,理解内存模型、指针与生命周期管理、多线程与并发,有良好的工程编码习惯。
- 熟悉 Python:能独立完成脚本开发、模型转换与验证、自动化工具编写。
- 熟悉 CUDA:理解 GPU 编程模型(线程/线程块/warp、global/shared memory、访存合并等),能读写并调试 CUDA Kernel,理解性能瓶颈的常见来源。
- 熟悉 Linux 开发环境,掌握 Git、CMake 等基础工程工具。
- 对性能优化有兴趣和敏感度,愿意通过数据(而不是猜测)定位问题。



