1. 负责车路协同场景下，交叉路口路侧摄像头数据适配转化算法研发与工程化落地，依托自动驾驶世界模型，打通路侧视角数据到车端自动驾驶训练数据的转换链路，服务于车端感知、预测。 2. 规划模型迭代优化，核心覆盖：路侧多机位、多视角、多时序视频数据的时空对齐、场景重建与4D真实交通场景还原，解决路侧与车端视角差异、画面畸变、视野盲区等问题。 3. 基于世界模型完成跨视角迁移、场景补全、光影自适应变换，对路口遮挡、逆光、模糊等劣质数据进行智能修复与增强；搭建自动化路侧转车端数据生成Pipeline，输出适配车端模型训练的标准化视角、分辨率、时序分布数据集。 4. 迭代优化世界模型建模能力，提升人车混行、红绿灯切换、拥堵、恶劣天气等复杂路口场景的数据转化精度与泛化性，支撑车端自动驾驶模型高效训练。

1. 学历与专业：硕士及以上学历，计算机科学、人工智能、自动化、电子信息、自动驾驶、计算机视觉等相关专业，优秀应届硕博可放宽条件。 2. 核心能力： - 精通深度学习与计算机视觉基础，熟悉自动驾驶世界模型、视觉生成、视频时序建模核心逻辑，掌握扩散模型、Transformer、4D时空重建等技术。 - 熟悉跨视角数据适配方案，掌握相机标定、多视角对齐、场景补全、视觉数据增强等算法，了解路侧与车端成像差异痛点。 - 具备自动驾驶交通场景数据集制作、优化经验，熟悉复杂路口场景特性，可精准把控车端模型训练数据质量标准。 3、工程能力： - 熟练使用PyTorch / TensorFlow深度学习框架，掌握Python / C++编程，可独立完成模型训练、调优与数据Pipeline搭建。 - 具备算法工程化迭代能力，能够持续优化数据转化链路的效率、稳定性与兼容性。 4. 加分项： - 有自动驾驶世界模型、BEV场景建模、视觉生成（Diffusion / Video Transformer）落地项目、开源贡献或顶会论文者优先。 - 有路侧-车端数据融合、视角迁移、仿真数据生成相关项目经验者优先。 - 熟悉自动驾驶感知、预测模型训练逻辑，深刻理解车端模型训练数据痛点者优先。