博世
纵向决策算法专家_XC
纵向决策算法专家_XC
发布于 6 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
软件工程
决策算法
博弈论
图搜索
多智能体系统
数值优化
自动驾驶
MCTS
POMDP
AI 估算 · 35k–60k
纵向决策算法专家，负责自动驾驶核心算法，技术难度大，市场溢价高。
职位详情
关于这个职位
该职位是博世自动驾驶团队中的纵向决策算法专家
您将负责在无图或SD图场景下，设计并实现基于搜索、博弈论等前沿方法的纵向决策算法，以解决目标选择、车辆轨迹推演与拟合等核心问题
您需要将算法集成到整个自动驾驶系统中，并持续优化，以应对L2++级别自动驾驶的现实挑战，确保系统的高效、稳定与可靠
最低要求
计算机科学、电子工程、数学或相关专业硕士及以上学历
人工智能和自动驾驶专家，精通ST图构建稳定性和准确性、博弈论、交互博弈决策算法，擅长POMDP、MCTS、纳什均衡、逆强化学习（IRL）和人工智能搜索方法、树、图搜索方法
具有C++多线程、嵌入式系统的深厚背景
熟悉A*搜索、动态规划（DP）、多智能体系统的博弈论和图搜索/树搜索
具有C++最优化问题处理的经验，能够对决策稳定性变差的过程中的轨迹稳定性做帮助和计算
需要深入理解路口通过的能力，以及基于车流的参考想模块的生成与基于此的路口Marker的猜测等
需要深入思考纵向决策的KPI，特别是系统级KPI和子系统KPI，具备体系化、场景化的构建PnC KPI的能力
熟悉数值优化原理和工程实现，例如图搜索、树搜索
精通C++、Python等编程语言，具有较强的算法开发和实现编码能力
工作职责
在无图、sd图的情况下设计实现基于搜索、博弈等的纵向决策算法，旨在使用SOTA论文的方法来解决目标选择与筛选、车辆轨迹的推演与拟合
与跨职能团队密切合作，将决策规划算法集成到整个自动驾驶系统架构中
分析和解决与L2++自主性相关的现实挑战，包括噪声输入、不稳定预测，以获得当前Frame下的最优结果和稳定鲁棒的纵向决策逻辑
不断基于论文进行优化和增强决策规划算法，以提高整体系统效率、适应性和可靠性
不断基于论文进行优化和增强车流拟合算法，以提高路口与非结构化道路拓扑的通过性和稳定性
参与项目规划、里程碑设定和进度跟踪，以确保自动驾驶功能及时交付量产
具备阅读和复制论文以解决复杂问题的能力和自我意识
AI 洞察
优缺点分析
优点
- 顶级公司平台：博世是全球顶级的汽车零部件供应商，平台资源丰富，项目直接面向量产，经验含金量足，职业背景有强大背书
- 明确的职业价值：工作成果直接关系到自动驾驶系统的安全性和舒适性，个人贡献可见度高，成就感强
- 技能复合性强：岗位要求算法理论、软件工程和领域知识的深度结合，能培养出稀缺的复合型人才
- 快速迭代的竞争环境：自动驾驶技术日新月异，需要持续学习最新论文和技术，知识更新速度要求快，存在一定的技术焦虑感
- 该职位非常适合对自动驾驶有浓厚兴趣，具备顶尖院校相关专业硕士以上学历，并在算法、C++工程和自动驾驶某个领域已有扎实积累，渴望在行业头部企业解决核心难题的技术专家
缺点 / 挑战
- 前沿技术挑战：工作在自动驾驶最核心的决策规划领域，接触并解决行业最前沿的技术难题（如无图驾驶、交互博弈），技术积累价值高
- 极高的技术门槛：需要同时具备顶尖的算法理论功底和扎实的工程实现能力，学习和工作压力大，对候选人的综合素质要求极高
- 交付与量产压力：作为面向量产的研发岗位，需要平衡算法创新与工程稳定性、交付进度的关系，工作节奏紧张
角色解读
- 技术专家路径：在纵向决策、行为预测等细分领域持续深耕，成为公司内乃至行业内的顶尖算法专家，主导核心算法演进
- 系统架构师路径：随着对自动驾驶全栈技术理解的加深，可以转向负责更大范围的规划与控制（PnC）系统乃至整个自动驾驶软件架构的设计
- 技术管理路径：在具备优秀的技术能力和项目经验后，可转向技术管理岗位，带领算法团队进行技术攻关和产品交付
- 核心工作是研发自动驾驶汽车的纵向决策算法，即在车辆前进方向上做出何时加速、减速或保持速度的智能决策
- 具体任务包括在缺乏高清地图（无图/SD图）的复杂场景下，运用搜索、博弈论等方法，推演和拟合周围车辆轨迹，并选择最优的自身行驶目标
- 需要将算法模块与感知、控制等其他系统模块集成，并持续跟踪学术前沿（SOTA论文），优化算法以提升系统在路口、非结构化道路等场景的通过性和整体鲁棒性
- 扎实的算法与数学基础：必须精通博弈论（纳什均衡）、规划算法（POMDP, MCTS）、搜索算法（A*, 图/树搜索）以及数值优化原理
- 强大的工程实现能力：需要深厚的C++编程功底，特别是多线程和嵌入式系统开发经验，能够处理优化问题并保证算法在实车系统中的稳定性和效率
- 深厚的自动驾驶领域知识：深刻理解ST图、车流拟合、路口通行逻辑以及自动驾驶系统级与子系统级的性能指标（KPI）体系
- 快速学习和研究能力：具备独立阅读、复现前沿学术论文（SOTA），并将其转化为工程解决方案的能力
申请策略
- 深入了解博世在自动驾驶领域的布局和已量产的解决方案（如L2++系统），在面试中展现出你对公司业务和技术的熟悉度
- 准备详细阐述你对“纵向决策KPI体系化构建”的理解，这能体现你的系统思维和工程落地意识
- 突出与决策规划、博弈论、搜索算法直接相关的项目或研究经历，详细描述你解决的问题、使用的算法模型（如MCTS, POMDP）和取得的量化成果
- 重点展示C++在复杂系统（尤其是嵌入式或多线程环境）中的开发经验，以及处理优化问题和保证系统稳定性的具体案例
- 列举你阅读并复现过的与自动驾驶决策、轨迹预测相关的顶级会议（如CVPR, ICRA, IROS）论文，证明你的前沿技术跟踪和实现能力
- 如果有自动驾驶相关的实习、比赛或开源项目经验，务必清晰阐述你在其中承担的算法设计、编码实现和系统集成角色
- 强化基础：如果对博弈论、强化学习（特别是逆强化学习）、最优控制理论不熟悉，需系统补课，并尝试用Python实现简单demo
- 深入工程实践：加强C++多线程编程、内存管理、性能优化的练习，可以尝试用C++实现一些经典的搜索或规划算法
面试指南
- 对于项目或算法设计问题，采用STAR原则（情境、任务、行动、结果）结构化回答，重点突出你的思考过程、技术选型依据和解决的难点
- 对于概念对比或原理性问题，先给出清晰的定义，然后从适用场景、计算复杂度、优缺点等维度进行对比分析，最后可以结合自动驾驶的具体用例说明
- 对于工程实现问题，从系统设计角度出发，考虑模块划分、数据结构、并发控制、性能瓶颈和异常处理等各个方面，展现全面的工程思维
- 请详细描述一个你解决过的与车辆轨迹预测或决策规划相关的项目，你用了什么算法？遇到了什么挑战？如何解决的？
- 在无图环境下，如何设计一个鲁棒的纵向决策算法来处理前方车辆的cut-in场景？请阐述你的算法框架
- 如何量化评估一个纵向决策算法的好坏？请谈谈你理解的不同层级的KPI（系统级、子系统级）
- 请解释一下MCTS和POMDP在自动驾驶决策中分别适用于什么场景？它们的优缺点是什么？
- 在C++中实现一个多线程的规划算法时，你会如何设计以保证线程安全和实时性？
职位点评
Watch Jobs