端到端算法工程师
Confirmed on the employer's own hiring board on Oct 17, 2026. First seen by Alion on Jan 13, 2026. Utopilot scores C on the Alion truth index.
岗位职责 / Responsibilities
一、核心职责
1. 端到端深度学习算法设计与创新
研究、设计并实现应用于自动驾驶的端到端（End2End）深度学习算法架构，整合感知、预测与规划全链路功能。
开发基于大规模真实驾驶数据的模型训练、微调与优化技术，攻克端到端链路中的数据分布偏移、场景泛化性差等核心问题。
探索端到端算法在复杂驾驶场景中的应用，如：城市道路多路口交互、环岛绕行、避让突发障碍物、极端天气行驶等核心任务，提升算法对复杂场景的适应性。
2. 算法开发与工程实现
将前沿的端到端算法研究成果转化为可应用于L4级无人驾驶系统的工程化模块，搭建高效、稳定的算法研发与验证流程。
开发数据处理、特征工程、模型训练、推理加速全链路工具链，优化数据加载、训练并行、推理部署等关键环节的性能。
针对车载计算平台（如NVIDIA DRIVE Orin/Thor）进行算法优化，通过模型剪枝、量化、蒸馏、算子优化等技术，满足自动驾驶系统的实时性与低延迟要求。
3. 评测体系构建与性能迭代
设计并构建端到端算法的全维度评测体系，涵盖安全性、合规性、舒适性、效率等核心指标，制定离线仿真评测、封闭场地测试、公开道路验证的全流程评测方案。
基于评测结果进行算法性能归因分析，定位感知偏差、预测不准、规划不合理等问题，驱动算法模型与参数的迭代优化。
建立算法异常案例库，针对临界场景、失败案例进行专项优化，持续提升端到端系统的鲁棒性与可靠性。
4. 系统集成与落地验证
将端到端算法模块无缝集成到自动驾驶软件栈，协同感知、底盘控制、人机交互等模块团队，保障全系统的兼容性与协同性。
在仿真平台、测试车队上开展端到端算法的大规模验证工作，收集真实场景下的运行数据，完成算法从研发到落地的全流程验证。
参与L4级无人驾驶产品的算法落地推进工作，解决工程化落地过程中的技术瓶颈，确保算法满足量产级别的性能与安全要求。
5. 前沿技术追踪与团队赋能
持续跟踪端到端学习、模仿学习（Imitation Learning）、强化学习（Reinforcement Learning）、深度生成模型（Deep Generative Model）等领域的最新研究进展，以及自动驾驶行业的技术趋势。
在团队内部分享前沿技术洞察、算法研发经验与项目实践成果，推动团队技术能力的整体提升，引领端到端算法方向的技术创新。
任职要求 / Requirements
1. 教育背景
计算机科学、机器学习、人工智能、机器人学、电子工程等相关领域的硕士及以上学历。
2. 技术能力
深度学习基础扎实：精通深度学习核心理论，深入理解端到端学习、模仿学习、强化学习等关键技术原理。
编程与工程能力：精通C/C++、Python编程语言，具备优秀的软件工程能力和良好的代码规范; 熟悉Linux开发环境，熟练使用Git等版本控制工具。
算法与数据基础：具备扎实的数据结构与算法基础，能够独立设计并实现复杂的算法逻辑; 熟练处理大规模自动驾驶数据集，熟悉数据清洗、标注、增强等全流程工具与方法。
框架与工具熟练：精通深度学习框架PyTorch，熟悉模型训练、调优、部署相关的工具链TensorRT等。
3. 经验要求
3年及以上自动驾驶领域端到端算法研发经验，具备完整的算法从设计、训练、优化到落地验证的全流程项目经验。
具备End2End Planning、Deep Generative Model、Imitation Learning、Reinforcement Learning等至少一个方向的核心研发经历。
有复杂系统工程经验，能够应对自动驾驶端到端算法落地过程中的多模块协同、性能优化等工程化挑战。
4. 个人素质
出色的分析和解决复杂技术问题的能力，能够在高压环境下快速定位并攻克算法与工程瓶颈。
强烈的自驱力、创新意识和探索精神，对自动驾驶前沿技术充满热情，愿意投入技术研发与创新工作。
优秀的沟通能力和团队协作精神，能够高效协同跨模块、跨团队成员推进项目落地。
三、加分项
1. 有L4级无人驾驶产品端到端算法应用落地经验，深刻理解自动驾驶行业的安全规范与合规要求。
2. 在顶级会议（CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、CoRL、RSS、ICRA、IROS等）发表过端到端学习、自动驾驶相关论文。
3. 有车载嵌入式平台（如NVIDIA DRIVE Orin/Thor）算法部署与优化经验，熟悉实时性优化、功耗控制等车载场景核心需求。