1. 端到端模型输出后处理与优化 负责端到端模型输出的轨迹/轨迹预测结果的后处理优化，确保轨迹的平滑性、物理可行性和动态一致性。设计基于运动学和动力学约束的轨迹优化算法（如Jerk优化、加速度/曲率约束、碰撞避免等）。 负责感知模块输出（BBox、BEV特征、Occupancy网格、roadmap等）的后处理pipeline设计与实现，包括多目标跟踪（MOT）、时序/空间滤波与数据关联。 针对车道线、道路结构等静态元素，开发曲线拟合（B样条）、跟踪与场景识别等后处理算法。 2. 多传感器与多模态信息融合 设计并实现多传感器融合（Camera + LiDAR + Radar）的端到端融合策略，涵盖前融合（数据级/特征级）与后融合（目标级）方案。 处理BEV/Occupancy感知输出与高精地图/导航参考线之间的关联与融合，提升环境认知的完整性与可靠性。 3. 系统集成与工程化落地 在ROS/Apollo Cyber RT等车载中间件框架中完成后处理及融合模块的集成、部署与性能调优。 参与实车联调与问题排查，与感知、预测、规划控制团队紧密协作，解决工程落地中的算法适配与badcase回归问题。 4. 数据闭环与持续迭代 建立后处理模块的评测体系与性能基线，通过数据挖掘与自动标注，驱动后处理策略的持续优化。

任职要求 1. 学历专业 硕士及以上学历，计算机科学、自动化、车辆工程、Robotics、数学、人工智能等相关专业。 2. 经验背景 社招：3年以上自动驾驶感知、融合或规划算法开发经验，有端到端方案或量产项目经历者优先。 3. 专业技能 算法能力：熟悉卡尔曼滤波、多目标跟踪（MOT）、优化算法（QP/SQP）、曲线拟合等经典算法。理解车辆运动学/动力学模型。 编程能力：精通C++和Python，具备良好的工程化与代码调试能力，熟悉Linux开发环境。 框架与工具：熟悉PyTorch/TensorFlow等深度学习框架，理解感知模型的输出格式（BBox、BEV特征、PointCloud）。了解TensorRT/ONNX等部署工具链者优先。 4. 加分项 熟悉端到端自动驾驶算法流程（如UniAD、VAD）或大模型（VLM/VLA）架构。 有BEV感知、Occupancy网络、轨迹预测模型的后处理融合经验。 熟悉ROS/ROS2、Apollo Cyber RT等中间件。 在顶级会议（CVPR、ICRA、IROS、NeurIPS）发表过相关论文