博世
AI Planner 算法工程师_XC
AI Planner 算法工程师_XC
发布于 大约 20 小时前普通员工/个人贡献者
苏州市
中级经验
全职员工
仅现场办公
本科
强化学习
ADAS
ISO 26262
模仿学习
嵌入式平台
PID
lattice planner
MPC
规划控制
LQR
AI 估算 · 25k–35k
中级算法工程师，博世苏州薪资竞争力强，ADAS规划控制方向稀缺，月薪2.5-3.5万，13薪。
职位详情
关于这个职位
博世智能驾驶团队招聘AI Planner算法工程师，负责L2级辅助驾驶规划控制算法研发，重点优化ACC、LKA、TJA等功能的舒适性
你将探索模仿学习、强化学习等AI方法提升驾驶平顺性，同时兼顾功能安全与用户体验
适合有2年以上ADAS规控经验、熟悉C++/Python及经典规划算法、对AI在车辆控制中应用感兴趣的工程师
最低要求
车辆工程、控制工程、计算机、自动化等相关专业，本科及以上学历，2 年以上 L2 ADAS 规控开发经验
精通 C++/Python，熟悉 Linux 及嵌入式平台（如 Infineon、NXP、TI TDA4 或地平线征程）
熟悉经典规划控制算法：PID、MPC、LQR、纯跟踪控制、Lattice Planner 或动态规划/二次规划
工作职责
L2 级纵向与横向规划控制算法研发：负责 ACC、LKA、TJA 等功能的规划与控制策略设计，重点优化行车舒适性（如 jerk 抑制、过弯平顺、跟车起步/停止柔和）
AI 方法在舒适性优化中的应用：探索模仿学习、强化学习或轻量化端到端模型，从人类驾驶数据中学习平顺的油门/刹车/转向曲线，减少规则带来的机械感
舒适性与安全性的联合平衡：在保证 AEB 等安全功能触发优先的前提下，优化日常行驶中的误触发（如虚假减速、无必要警报）和过激干预，提升用户信任感
功能安全与舒适性约束的集成：按照 ISO 26262 (ASIL 等级要求) 设计规控模块的冗余与监控机制，确保异常情况下（如传感器故障、信号丢帧）能平滑降级，不产生突兀动作
仿真与实车闭环评估：搭建包含舒适性指标（冲击度、横向加速度变化率、跟车偏差）的自动化评测体系，利用路采数据驱动迭代
优先资格
有 L2 功能量产经验（ACC、LKA、TJA），并主导过舒适性调校（如弯道速度控制、起步/停止平滑性）
了解 AI 在规控中的应用：如使用行为克隆优化跟车策略，或使用强化学习学习变道舒适性参数
熟悉功能安全标准：理解 ASIL 等级划分、FFI 分析、FMEA 在规控模块中的落地
具有良好的数据驱动思维：能利用大规模路采日志进行问题定位和回归测试
AI 洞察
优缺点分析
优点
- 博世是全球顶级汽车零部件供应商，平台稳定，技术积累深厚
- 职位涉及前沿AI与经典控制结合，技术壁垒高，成长空间大
- 智能驾驶行业高速增长，就业前景好
- 注重舒适性优化，与用户感知直接相关，工作成果可见度高
- 需要同时掌握传统控制算法和AI方法，跨领域知识要求高
- 工作地点在苏州，对于想在一线城市发展的求职者可能受限
- 适合有2-5年ADAS规控经验、对AI算法感兴趣、希望在稳定平台深耕智能驾驶技术的工程师
缺点 / 挑战
- 功能安全与舒适性平衡难度大，量产压力下需要精细化调校
角色解读
- 技术方向：从L2规控专家成长为自动驾驶系统架构师，或深入AI规划控制前沿
- 管理方向：可转向团队技术负责人，带领算法小组
- 行业方向：智能驾驶行业高速发展，可向更高阶自动驾驶（L3/L4）或ADAS整体方案方向发展
- 研发L2级辅助驾驶的规划控制算法，包括ACC、LKA、TJA等功能，重点优化行车舒适性
- 应用模仿学习、强化学习等AI方法，从人类驾驶数据中学习平顺驾驶策略，减少规则带来的机械感
- 平衡舒适性与安全性，减少误触发和过激干预，提升用户信任感
- 搭建仿真与实车评测体系，利用路采数据驱动算法迭代
- 精通C++和Python，熟悉Linux及嵌入式平台
- 熟悉经典规划控制算法，如PID、MPC、LQR、Lattice Planner等
- 了解AI在规控中的应用，如行为克隆、强化学习
- 了解功能安全标准ISO 26262及ASIL等级
申请策略
- 关注博世在苏州的智能驾驶研发中心，了解其产品线和市场定位
- 准备一个完整的规划控制项目案例，从问题定义到解决方案，展示数据驱动迭代思维
- 突出L2功能量产经验，特别是ACC、LKA、TJA的舒适性调校案例
- 强调C++/Python编码能力和算法实现细节，如MPC、LQR的实际应用
- 如有AI在规控中的应用经验（如行为克隆、RL），务必详细描述
- 提及功能安全相关的项目经历，如ISO 26262、FMEA等
- 复习经典规划控制算法（MPC、Lattice Planner）的数学推导与代码实现
- 学习模仿学习、强化学习基础知识，尝试在仿真环境中实践
面试指南
- 对于算法原理问题，先阐述核心思想，再结合公式或伪代码，最后用实际项目佐证
- 对于实际问题，采用STAR法则：情境-任务-行动-结果，突出量化指标
- 对于平衡类问题，展示系统性思考，明确约束优先级，举例说明权衡决策
- 请详细讲解MPC的原理，以及在ACC中如何设计目标函数和约束条件
- 如何在保证安全的前提下提升ACC的舒适性？请举例说明
- 描述一个你使用模仿学习或强化学习优化驾驶策略的经历
- 如果传感器丢失信号，如何设计降级策略以保证车辆安全平稳？
- 如何平衡舒适性指标（如jerk）与安全性指标（如AEB）？请给出实际案例
匹配度报告
71
综合匹配度
稳定大厂、前沿技术栈、薪资有竞争力，WLB一般需现场办公。
适合人群
优先看重技术成长和行业前景的求职者，能接受现场办公和适度工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展85
工作生活60
使命价值75
薪资福利匹配
65中等
博世作为德企巨头，薪资处于市场中等偏上，福利完善（五险一金、年终奖等），但JD未明确薪资，补偿性动机满足程度中等。
薪资信号未披露（AI估算：25K-35K/月）
成长发展匹配
85较高
职位涉及前沿AI技术与经典控制融合，技术成长空间大，且智能驾驶行业高速发展，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈C++、Python、MPC、LQR、Lattice Planner、模仿学习、强化学习、ISO 26262
业务类型ambiguous
工作生活匹配
60中等
职位要求现场办公，未提及远程或弹性工作，苏州生活成本适中，但工作强度可能较高，生活化动机一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
75中等
智能驾驶行业前景明朗，提升行车安全与舒适性具有社会意义，但JD未强调使命愿景，意义感动机中等偏上。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs