The posting
1、Trigger 逻辑定义与规则设计 ①负责将算法团队的数据挖掘需求(自然语言描述的场景定义)转化为可执行的 Trigger 逻辑,包括规则条件、阈值、时序约束与多条件组合逻辑; ②针对长尾场景(接管、急刹、碰撞风险、NGP 开启/退出、影子模式置信度异常等)设计 Trigger 判定逻辑,明确触发边界与误触发抑制策略; ③负责 Trigger 逻辑的可执行化表达(规则或特征向量定义),保证逻辑语义清晰、可维护、可迭代; 2、云端 Trigger 向量生产 ①在云端基于车端回传的 Clip 数据,运行 Trigger 逻辑并产出场景向量,完成从“场景定义”到“向量输出”的生产闭环; ②基于 DDP 的向量生产 DataLoader:针对多模态 Clip 数据(图像、点云、CAN),配合现有分布式数据加载链路完成 Trigger 逻辑的批量计算,关注多卡场景下的吞吐与负载均衡; ③基于 MLIR 运行量化模型完成向量生产:负责 Trigger 相关模型(场景分类、置信度评估、特征提取等)以量化形态在 MLIR 运行时上跑通并产出向量,保证量化推理数值正确性与结果一致性,对推理吞吐做调优; 3、Trigger 效果评估与迭代 ①负责 Trigger 命中准确率、误触发率、覆盖率等指标的评估,基于回传数据反馈持续优化 Trigger 逻辑; ②与感知、规控及数据平台团队协作,对齐高价值场景的判定标准,优化 Trigger 逻辑的“信噪比;
1、基础背景:计算机、车辆工程、自动化或相关专业本科及以上学历,1年以上 C++/Python 开发经验; 2、Trigger 逻辑能力:理解自动驾驶数据闭环的基本逻辑,有将场景需求转化为可执行触发规则的实际经验;对基于规则或基于模型置信度的触发机制有调试与优化经验,理解触发边界与误触发抑制的设计思路; 3、分布式数据加载(DDP DataLoader):熟悉 PyTorch DDP 分布式范式,有大规模多模态数据 DataLoader 的使用与调优经验,理解数据分片、Prefetch、多进程 Worker 及 IO 瓶颈定位; 4、MLIR 量化模型推理:熟悉 MLIR 编译栈与转换流程,有将量化模型接入 MLIR 运行时并完成推理生产的实际经验;能保证云端量化推理结果与车端的一致性,并对推理吞吐做调优; 5、加分项: ①熟悉 ROS/ROS2、Apollo、Autoware 或 DDS/SOME-IP 中间件; ②有向量化特征检索相关经验; ③熟悉 TensorRT/ONNX Runtime/TVM 等推理框架,有 MLIR 与上述框架结合落地经验者优先; ④了解自动驾驶常见传感器数据格式与时间同步机制。



