工作职责：

1. 协助研发基于强化学习（RL）或模仿学习（IL）的自动驾驶决策规划算法，解决复杂交通场景下的车辆行为决策与运动规划问题；
2. 参与构建和优化用于训练决策模型的数据处理流程，包括特征工程、场景提取、奖励函数设计及大规模数据集处理；
3. 负责或参与相关算法的仿真测试、实车调试、性能评估与迭代优化，推动算法在真实环境中的性能提升和落地；
4. 跟踪并调研强化学习、模仿学习、行为预测等领域的国际前沿动态与最新研究成果（如顶会论文CVPR, ICRA, NeurIPS, ICML等），并尝试将其应用于实际项目；
5. 协助端到端自动驾驶大模型或相关子模块的研发与优化工作。

任职资格：

1、专业背景​：
• 要求​计算机科学、人工智能、自动化、控制理论与控制工程、电子工程、车辆工程或相关专业​​的硕士及以上在校生，也接受非常优秀的本科生。
2、项目经历​：
• 有​机器学习/深度学习/强化学习​​方面的研究或项目经验，熟悉相关算法和框架；
• 有​自动驾驶、机器人、无人机​​等领域的决策、规划、控制或预测相关项目经验、竞赛经验或学术研究经历者优先；
• 在​人工智能领域的顶级会议或期刊（如CVPR, ICLR, NeurIPS, ICML, ICRA, IROS等）上有论文发表者优先​​。
3、编程能力​：
• 熟练掌握Python​，并至少熟悉一种主流的深度学习框架（如​​PyTorch​​或TensorFlow），具备良好的算法实现能力；
• 通常要求具备​C++​​ 编程能力，用于算法的集成、部署或性能优化；
• 熟悉Linux开发环境，要求了解ROS等机器人系统框架。
5、算法基础​：
• 扎实的数学基础​：熟练掌握线性代数、概率论、数理统计、优化理论等机器学习相关数学工具；
• 熟悉机器学习/深度学习算法​：深入了解常见的深度学习/强化学习算法；
• 熟悉强化学习/模仿学习​：对强化学习（如DQN, PPO, SAC, DDPG）或模仿学习（如GAIL）有研究或实践经验者优先；
• 了解自动驾驶相关算法​：对轨迹预测（如VectorNet, LaneGCN, TNT）、行为决策、路径规划等有一定了解者优先。
6、工程能力：  
• 具备功能开发全流程意识，能独立完成算法模块的编码、单元测试及日志分析；  
• 熟悉Git等版本管理工具，代码风格规范。
7、个人素质：
• 逻辑清晰，主动性强，能快速理解业务场景需求，具备跨团队沟通能力；

加分项 ：
• 有智驾行业实习经验； 
• 参与过智能车/机器人竞赛或相关项目；  
实习收获 ：
• 深入参与自动驾驶算法开发，掌握决策规划全链路技术；
• 与资深工程师合作，获得算法设计、工程落地及问题排查的实战经验；
• 表现优异者，有实习转正通道；