端到端规划模型算法⼯程师

该职位来源于猎聘 岗位职责： 1. 负责端到端⾃动驾驶预测、决策、规划模型研发，⾯向L4场景解决复杂交通交互、⾏为决策和轨迹⽣成问题； 2. 探索基于Transformer、Diffusion、NextTokenPrediction、ImitationLearning、Reinforcement Learning 等范式的AIPlanner模型； 3. 设计多模态场景表征，将BEV、Occupancy、地图、交通参与者状态、历史轨迹、语⾔/规则信息等输⼊统⼀建模； 4. 建设open-loop与closed-loop联合评测体系，推动模型在仿真、影⼦模式和实⻋中的持续迭代； 5. 结合数据闭环、难例挖掘、⾃动标注、离线真值⽣成等⼿段提升模型上限和⻓尾场景能⼒； 6. 推动模型在RoboTaxi、RoboBus、⽆⼈环卫、⽆⼈物流等不同⻋型和ODD上泛化落地。 岗位要求： 1. 熟悉深度学习、序列建模、轨迹预测、⾏为决策或运动规划相关技术； 2. 有⾃动驾驶预测、规划、端到端驾驶、机器⼈策略学习中⾄少⼀类完整研发经验； 3. 熟练使⽤PyTorch，有⼤规模模型训练、数据处理和实验调参经验； 4. 理解⾃动驾驶闭环评测，包括安全性、舒适性、通⾏效率、规则遵守和交互合理性； 5. 具备较强⼯程实现能⼒，能从问题定义、模型设计、训练验证到部署迭代独⽴推进。 加分项： 1.有端到端⾃动驾驶、NeuralPlanner、DiffusionPolicy、DecisionTransformer、RLHF/RLAIF、模型蒸馏经验； 2.有nuPlan、Waymo、CARLA、内部仿真平台或实⻋落地经验； 3.在CVPR、ICCV、ECCV、NeurIPS、ICRA、CoRL、ICML等发表相关论⽂。 ⼀句话画像： 找的是能把感知、预测、决策、规划打通的⼈，重点不是单点感知精度，⽽是让模型在复杂交通交互中直接输出可靠轨迹或驾驶动作。 适合的⼈： 1.做过⾃动驾驶预测、决策、规划、轨迹⽣成、交互建模； 2.理解L4交通场景中的博弈、让⾏、绕⾏、cut-in、⽆保护转弯、复杂路⼝等问题； 3.有端到端、模仿学习、强化学习、DiffusionPlanner、TransformerPlanner、轨迹token化、Next TokenPrediction 等经验； 4.不只会训模型，还能理解闭环指标、仿真评测、实⻋问题和数据迭代。 不太匹配的⼈： 1.只做过2D/3D检测、分割、BEV感知，但没有下游规划经验； 2.只做论⽂复现，没有闭环验证或产品落地意识； 3.只关注open-looploss，不理解closed-loopfailure。 4.只做模型，不考虑数据和落地业务价值的。 筛选关键词： 端到端规划、轨迹预测、⾏为决策、交互建模、DiffusionPlanner、PlanningTransformer、Imitation Learning、Reinforcement Learning、closed-loop evaluation、nuPlan、CARLA、occupancy planning。