博世
智驾系统架构师_XC
智驾系统架构师_XC
发布于 大约 14 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
深度学习
PyTorch
系统架构
运动规划
ROS2
Bev感知
城市Noa
AI 估算 · 45k–75k
高级自动驾驶架构师稀缺，要求极高，市场薪资竞争力强，博世作为头部企业薪酬水平较高。
职位详情
关于这个职位
作为博世智驾系统架构师，你将主导城市无图E2E自动驾驶平台的算法系统架构设计，从传感器原始数据到车辆控制指令的全链路规划
你需要协调感知、预测、规划等多个算法模块，确保架构方案高效落地
该岗位要求深厚的C++和嵌入式开发经验，并需有完整的城市NOA项目落地经历
最低要求
电子信息, 车辆工程，计算机、软件工程等本科以上学历等
编程语言: 精通C++，3年以上嵌入式复杂系统开发经验，熟悉ROS/ROS2框架，熟练使用linux开发系统
至少完整参与过一个城市无图NOA项目的工程化落地，并在其中主导模块算法架构设计
工具链: 精通Docker、Git
仿真平台（如CARLA、LGSVL），数据平台、模型训练框架（如PyTorch、TensorFlow）等
至少主导过以下任意一个模块的开发过程：
）熟悉深度学习模型（如CNN、RNN、Transformer）在计算机视觉中的应用，包括目标检测（如YOLO、Faster R-CNN、DETR）、语义分割（如SegNet、DeepLab）、实例分割、车道线检测、可行驶区域分割等
）熟悉BEV（Bird's Eye View）感知技术，如BEVFormer、LSS（Lift, Splat, Shoot）等，以及时序融合技术
）熟悉环境建模技术，包括栅格图（Grid Map）、占据网络（Occupancy Network）、动态场景图（Scene Graph）等
）熟悉常见的运动规划算法，如A、D、RRT*、Lattice Planner、EM Planner等，以及基于优化（如MPC）的规划方法
）熟悉强化学习（RL）或模仿学习（IL）在二阶段规划中的应用，以及端到端规划工程应用的问题和前沿进展
工作职责
系统架构设计：城市无图E2E平台的算法系统架构开发，主导设计从传感器原始数据输入到车辆控制指令输出的全链路软件架构，定义清晰的模块边界，模块功能和任务、算法模块间接口协议和数据流
UML文档化设计变更的评审结果
算法方案评审： 评审感知、建图，预测、规划等核心算法的技术方案，评估工程可行性以及与现有架构的兼容性，提出算法模块的改进建议
功能评测建立：建立评估系统功能性能的多分类场景集，根据模块功能链路架构，评估不同发版之间的性能提升和回退，对模块提出量化的修改要求和架构变更需求
跨团队合作：强有力的推动和协调能力，能够与TPM，各模块开发团队（感知、预测、规划、控制、底层系统）及测试团队紧密合作，统一技术认知，确保架构方案的成功实施
AI 洞察
优缺点分析
优点
- 博世作为全球领先的汽车零部件供应商，平台大、资源丰富，能参与行业最前沿的自动驾驶系统开发
- 岗位技术深度高，涉及全链路架构设计，能全面锻炼系统思维和工程能力
- 跨团队协作机会多，可提升技术沟通与推动能力，积累宝贵的管理经验
- 对技术宽度和深度要求极高，需同时掌握感知、规划、系统等多个领域，学习曲线陡峭
- 跨团队协调难度大，需要强力的推动力和统一的共识，对软技能要求高
- 适合有丰富自动驾驶项目经验、擅长系统架构设计并乐于技术攻关的资深工程师，尤其是希望在大平台主导核心技术方案的人才
缺点 / 挑战
- 城市NOA项目复杂度高，落地周期长，工作压力大，可能需要应对频繁的版本迭代和问题排查
角色解读
- 可向技术专家方向深耕，成为公司内自动驾驶架构领域的权威
- 可转向技术管理岗位，负责更大范围的系统架构团队或技术决策
- 有机会参与行业标准制定或前沿技术预研，如端到端自动驾驶、大模型应用等
- 设计城市无图E2E自动驾驶系统的全链路软件架构，包括传感器数据输入到车辆控制输出的整个流程
- 评审感知、预测、规划等核心算法的技术方案，评估工程可行性与架构兼容性，提出改进建议
- 建立系统功能性能评测场景集，评估不同版本间的性能变化，推动模块量化改进
- 与TPM、各开发团队及测试团队紧密协作，统一技术认知，确保架构方案落地
- 精通C++，具有3年以上嵌入式系统开发经验，熟悉ROS/ROS2框架和Linux开发环境
- 深入理解深度学习模型在计算机视觉中的应用，包括目标检测、语义分割等，以及BEV感知、环境建模技术
- 熟悉运动规划算法（如A*、RRT*、EM Planner等）或强化学习/模仿学习在规划中的应用
- 掌握Docker、Git等工具链，有仿真平台（CARLA、LGSVL）和模型训练框架（PyTorch、TensorFlow）使用经验
申请策略
- 博世非常看重工程落地能力，建议在简历中用量化指标（如性能提升、场景覆盖率）证明成果
- 了解博世在自动驾驶领域的布局和产品线，面试时可结合公司技术路线提出个人见解
- 突出完整参与城市无图NOA项目的经验，尤其是主导模块算法架构设计的细节和成果
- 重点展示C++、ROS/ROS2、Docker等工具链的精通程度，附上项目中的具体应用
- 强调在感知、预测、规划等某一模块的深入理解，最好有对应的算法实现或优化案例
- 如有跨团队协作或技术评审经历，请详细说明角色和贡献
- 如对BEV感知或端到端规划不够熟悉，可提前学习相关论文和开源实现（如BEVFormer、UniAD等）
- 复习系统架构设计方法，如UML、模块接口定义等，准备一个架构设计方案案例
面试指南
- 采用STAR法则：阐述情境、任务、行动和结果，重点突出你的设计思路和决策依据
- 对于技术问题，先阐述核心原理，再结合实际项目讲应用，最后总结优缺点或改进方向
- 请描述你参与的城市无图NOA项目的系统架构，你是如何设计模块边界和接口的？
- 在算法方案评审中，你遇到过哪些兼容性问题，如何解决？
- 如何建立系统功能评测的场景集？举例说明如何量化评估模块性能
- C++中智能指针如何使用？在多线程环境下如何保证数据安全？
- 谈谈你对BEV感知和端到端规划的理解，目前有哪些挑战？
- 复习C++、ROS2、深度学习等相关技术基础，准备2-3个深度项目案例
匹配度报告
70
综合匹配度
顶级技术栈、头部平台、高薪但强度大，适合技术驱动的自动驾驶架构师。
适合人群
最看重技术成长和行业前沿性的求职者，愿意投入高强度研发工作。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利匹配
80较高
薪资竞争力强，博世福利体系完善，但具体薪资未披露，且无明确福利提及。
薪资信号未披露（AI估算：45K-75K/月）
成长发展匹配
90较高
前沿自动驾驶技术，涉及E2E无图方案、深度学习、规划算法等，成长空间极大。
技术前沿前沿/新兴技术
技术栈C++、ROS2、深度学习、BEV、运动规划、PyTorch、TensorFlow
业务类型profit_center
工作生活匹配
40较低
未提及灵活办公或WLB，自动驾驶项目通常要求高强度投入，现场办公为主。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
自动驾驶行业高速增长，技术影响力较大，但JD未明确社会使命。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs