（先加微信：duke-simon 拿项目手册，画像精准再做单-带图咨询） 端到端算法研发与优化负责端到端自动驾驶大模型的算法设计、训练与部署，涵盖感知-决策-控制全链路优化，减少人为模块拆分带来的误差累积。探索多模态端到端架构（如视觉+激光雷达+IMU融合），提升模型对复杂场景（如城区拥堵、高速匝道、恶劣天气）的适应能力。优化端到端模型的训练效率与推理性能，通过模型压缩、量化、蒸馏等技术降低计算资源消耗，支持车端实时运行。传统规控算法迭代与融合维护并优化现有规控算法（如行为决策、路径规划、运动控制），确保系统在端到端模型失效时的安全降级能力。研究端到端与传统规控的融合方案（如端到端输出作为规控模块的输入或参考），平衡模型泛化性与可解释性。开发动态场景交互式决策算法，处理多交通参与者（如车辆、行人、非机动车）的博弈与协同问题。数据驱动与仿真验证构建大规模自动驾驶数据集，覆盖长尾场景（如异形车、施工路段、突发事件），支撑端到端模型的泛化能力训练。设计仿真测试场景，验证端到端算法在极端条件下的鲁棒性（如传感器失效、通信延迟、算法误判）。分析实车测试数据，定位端到端模型的失效模式，推动算法迭代与问题闭环。系统集成与性能调优负责规控模块在车规级计算平台（如NVIDIA Orin、地平线J5）的移植与优化，确保低延迟、高可靠性的实时运行。协调感知、定位、预测等模块，制定模块间接口规范，解决多模块协同调度中的性能瓶颈（如CPU/GPU资源竞争、通信延迟）。参与AI芯片的端到端解决方案设计，与硬件团队共同优化算力分配与功耗控制。技术预研与标准落地跟踪端到端学习、强化学习、大模型等前沿技术，评估其在自动驾驶领域的应用潜力，推动技术预研与原型验证。参与ISO/IEC 42001（AI管理体系）、ISO 26263（功能安全）等标准的落地，确保端到端算法的开发流程符合合规要求。探索端到端算法的可解释性方法（如注意力机制可视化、决策逻辑提取），提升模型透明度以满足监管需求。

教育背景 硕士及以上学历，计算机科学、车辆工程、自动化、应用数学等相关专业。 工作经验 3年以上自动驾驶规控或端到端算法开发经验，有量产项目经验者优先。 熟悉至少一种端到端算法框架（如Transformer、GNN、Diffusion Policy），具备实际项目落地经验。 专业技能 算法能力：精通深度学习模型架构（如CNN、RNN、Transformer），掌握PyTorch/TensorFlow框架；熟悉强化学习（如PPO、SAC）或模仿学习算法。 规控基础：理解传统规控算法（如A*、RRT、Lattice规划、MPC控制），具备轨迹生成与决策优化经验。 工具链：熟练使用ROS/Autoware、CARLA/LGSVL等仿真平台，掌握Python/C++混合编程，熟悉CUDA加速与模型部署工具（如TensorRT、ONNX）。 数据能力：具备数据清洗、标注、增强经验，熟悉多传感器同步与时空对齐方法。 能力素质 问题解决：能快速定位端到端模型在复杂场景下的失效原因，提出优化方案并验证效果。 团队协作：与感知、定位、硬件等团队高效沟通，推动跨模块技术方案落地。 学习能力：跟踪学术界（如CVPR、ICRA）与工业界（如Tesla FSD、Waymo Driver）最新进展，快速复现前沿算法。 加分项 参与过100B以上参数的端到端模型训练与微调，或有相关论文发表（如CVPR、ICML）。 熟悉车规级芯片（如NVIDIA Orin、地平线J5）的算力特性与优化方法。 具备ISO 26263功能安全开发经验，熟悉ASPICE流程。