智能辅助驾驶算法工程师（端到端强化学习/规划控制方向）

岗位描述 我们正在寻找强化学习与智能辅助驾驶算法专家，加入我们的核心端到端（End-to-End）智能辅助驾驶研发团队。您将参与/主导量产级端到端规划控制（Planning & Control）模型的强化学习基础设施建设，解决大规模分布式训练的性能瓶颈，并作为核心枢纽统筹多团队的 Reward 体系集成。 岗位职责 - 强化学习基建研发： 负责量产级智能辅助驾驶端到端规划控制（P&C）模型的强化学习（RL）底层基础架构设计、开发与迭代。 - 模型训练加速： 针对大规模 RL 模型（如基于 Transformer 的高维度连续控制模型）进行分布式训练架构优化与加速，提升海量数据下的训练吞吐量与迭代效率。 - 多团队 Reward 集成： 制定规范化接口与评价标准，深度对接并集成感知、预测、规控等多团队的强化学习 Reward 设计工作，确保复杂奖励函数体系在端到端系统中的有效性与一致性。 - 量产闭环与落地： 推动端到端模型在实际车端算力平台的部署与工程化落地，利用强化学习解决实车测试中的长尾问题（Corner Cases），保障系统在复杂城市场景下的安全性与舒适性。 【任职要求】 任职要求 - 专业背景： 计算机科学、人工智能、机器人、自动化、数学或相关专业硕士及以上学历。 - 量产经验： 具备智能辅助驾驶系统的量产落地经验，完整经历过算法从预研、仿真到实车部署交付的全生命周期。 - 智能辅助驾驶认知： 深刻理解智能辅助驾驶系统架构，对传统规划控制（Planning & Control）算法有深入了解，且对端到端 智能辅助驾驶（End-to-End AD）的技术演进与业界前沿方案（如 UniAD, VAD 等）有深刻洞察与实战经验。 - 强化学习与训练架构： - 扎实的强化学习算法功底（熟悉 GRPO, PPO, SAC, Offline RL 等） - 熟悉分布式训练架构与加速技术（熟悉 Ray, DeepSpeed, Megatron 或自定义通信优化），具备 GPU 集群算力优化和显存优化经验。 - 工程能力： 极强的工程实现能力，精通 Python 和 C++，熟练掌握 PyTorch 等深度学习框架，代码规范严谨。 - 综合素质： 具备优秀的系统性思维与跨部门沟通协作能力，能够高效统筹多团队工作，抗压能力强，目标导向。 加分项 (Bonus Points) - 在强化学习、智能辅助驾驶或分布式计算领域的顶级会议/期刊（如 CVPR, ICCV, NeurIPS, ICLR, ICRA 等）发表过相关论文。 - 是主流智能辅助驾驶开源项目或深度学习/强化学习框架的核心贡献者。 - 有大模型（LLM/VLM）在智能辅助驾驶领域应用经验者优先。