The posting
1. 车道线感知后处理(核心职责) - 开发维护当前已相对稳定的车道线时序跟踪(track)后处理代码; - 迭代多帧关联、时序融合与平滑逻辑,保障车道线跟踪的稳定性、连续性与拓扑一致性; - 根据后续新需求进行车道线模块的迭代开发与优化,推动持续迭代。 2. 端到端大模型训练 - 参与自动辅助驾驶端到端预训练大模型的迭代,包括训练实验设计与效果分析,推动模型能力持续提升; - 参与设计并迭代关键帧筛选与高价值场景挖掘策略,构建数据闭环; - 深入分析数据与模型效果之间的因果关系,定位数据分布、数据质量对模型表现的影响,推动数据驱动的迭代优化。
基本要求 - 计算机、自动化、人工智能、数学、测绘等相关专业,本科及以上学历; - 熟练掌握 Python / C++,熟悉 PyTorch 等主流深度学习框架; - 扎实的深度学习与计算机视觉基础,理解 Transformer、时序建模等原理。
核心要求 / 加分项 - 有感知后处理经验,尤其是车道线时序跟踪、多目标跟踪(MOT)、时序融合/滤波(如卡尔曼滤波、匈牙利匹配、track 管理等)相关经验者优先; - 具备大模型 / 多模态大模型相关经验,有预训练或微调实战经验,能独立完成从数据到模型的完整训练流程者优先; - 对自动辅助驾驶大模型方向(端到端、VLA、世界模型等)有一定掌握和实践; - 有大规模数据挖掘、关键帧提取、数据分析经验,具备较强的数据问题定位与因果分析能力; - 对前沿论文保持持续跟进,能快速理解并复现新方法。
软性要求 - 较强的工程能力与问题定位能力,能独立承接代码维护并推进迭代; - 良好的沟通协作能力,能在跨团队环境中推进工作; - 对自动辅助驾驶有热情,适应快速迭代的节奏。



