新紫光集团
智能驾驶软件算法工程师8213
智能驾驶软件算法工程师8213
发布于 大约 14 小时前普通员工/个人贡献者
北京市 / 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
TensorFlow
模型部署
自动驾驶
ADAS
NVIDIA
嵌入式平台
OpenCV
AI 估算 · 30k–60k
高级算法工程师薪资较高，一线城市，公司平台大，技术难度高，市场竞争力强。
职位详情
关于这个职位
该职位是智能驾驶软件算法工程师，主要负责智驾算法系统的方案设计、架构搭建与优化，包括高速NOA、城市NOA、泊车等功能的软件在环与硬件在环搭建
同时牵头算法系统与底软、传感器、执行器的全流程对接，并负责模型部署到嵌入式平台（如NVIDIA、地平线），优化深度学习模型性能
此外，还需参与评估智驾算法生态伙伴产品，主导基于BEV、Transformer等前沿架构的方案设计
适合有5年以上智驾算法开发经验、熟悉C++/Python和深度学习框架的候选人
最低要求
本科及以上学历，计算机、自动化、车辆工程等相关专业,硕士学历优先
年及以上智驾算法开发经验，如高速NOA、城市NOA、AVP、APA、ADAS等功能模块相关的定位、感知、PNC等任意算法开发经验
熟悉底软、传感器、执行器工作原理,掌握对接逻辑，能独立排查对接技术难点
熟悉C/C++或Python、PyTorch/TensorFlow,熟悉OpenCV/PCL/ROS等工具库语言
了解Linux系统及ROS框架，会使用车载相关调试工具
了解智驾相关行业标准，具备良好的跨团队沟通与文档编写能力
熟悉经典算法(如CNN系列知名视觉AI模型、YOLO、PointPillars、CenterPoint等)
有自动驾驶视觉3D感知、BEV/OCC算法相关项目量产经验，或参与过行车或泊车场景视觉3D目标检测算法研发项目
了解主流智驾端到端大模型技术，熟悉智驾大模型模型蒸馏、量化等模型优化技术
工作职责
负责对智驾算法生态合作伙伴、开源智驾算法的整体软件系统方案设计（高速NOA、城市NOA、泊车等）、架构搭建与优化，适配各个场景核心需求，搭建软件在环与硬件在环，搭建整车POC环境
牵头智驾算法系统与底软、传感器、执行器等外域模块的全流程对接，保障接口兼容、数据通畅
明确感知、融合、定位、PNC等数据需求，解决数据异常问题，保障算法精准性
对接执行器团队，优化控制指令响应与精度，确保算法决策精准落地为车辆动作
编写技术文档与对接规范，跟踪行业前沿技术，持续优化系统协同性能
模型部署与研发:将模型部署到嵌入式平台(如NVIDIA、地平线等主流智驾芯片平台，以及自有芯片平台)，针对现有模型训练、验证，优化计算效率、优化深度学习模型(CNN/Transformer/PointNet++等)在图像和点云数据上的性能与实时性
开源框架适配:熟悉主流开源智驾算法模型架构，如slam、APA、AVP、ADAS等等，并基于主流开源框架进行二次开发或定制化改进及模型部署
参与评估智驾算法生态伙伴的产品（如高速NOA、城市NOA、ADAS、APA、AVP等），参与智驾模型的总体技术选型与论证
同时主导自研基于BEV、Transformer、VLA等前沿架构的方案设计，研究和评估业界最新的端到端自动驾驶模型(如Occupancy、UniAD等)，针对智驾算法/算子提出对智驾芯片的需求（NPU、VDSP、CPU等）
深入理解模型从感知、预测到规划控制的端到端映射关系，并进行针对性优化，设计和实现高效的分布式训练策略,对模型收敛性、泛化能力和实时性负责
AI 洞察
优缺点分析
优点
- 处于智能驾驶核心技术领域，技术前沿性强，能接触世界一流的算法架构（BEV、Transformer等）
- 公司平台大、资源丰富（上市巨头），有自研芯片和量产项目经验，职业背书价值高
- 多城市办公地点可选，薪资竞争力强，稳定性较好
- 技术要求极高，需要同时掌握算法开发、模型部署、系统集成等多方面技能，学习曲线陡峭
- 多团队协作复杂，需要较强的沟通和文档能力，处理接口兼容等细节问题
- 适合有5年以上智驾经验、热爱技术钻研、能适应高强度协作的算法工程师，尤其对自动驾驶全栈技术有热情
缺点 / 挑战
- 行业竞争激烈，项目节奏快，可能需要面对高压力的交付和验证周期
角色解读
- 向技术专家方向深入：成为智驾算法架构或模型部署领域的权威专家
- 向技术管理方向发展：担任技术团队Leader或项目经理，负责更大规模的技术选型和团队协调
- 跨领域拓展：从算法开发延伸到系统集成、芯片设计需求定义等方向，参与更上层的产品规划
- 负责智驾算法系统的整体方案设计、架构搭建与优化，包括高速NOA、城市NOA、泊车等功能的软件在环与硬件在环搭建
- 牵头算法系统与底软、传感器、执行器的全流程对接，确保接口兼容和数据通畅，解决数据异常问题
- 将深度学习模型部署到嵌入式平台（如NVIDIA、地平线），优化模型在图像和点云数据上的性能与实时性
- 评估智驾算法生态伙伴产品，主导基于BEV、Transformer、VLA等前沿架构的方案设计
- 精通C++/Python和PyTorch/TensorFlow等深度学习框架，熟悉OpenCV、PCL、ROS等工具库
- 深入理解经典算法（CNN、YOLO、PointPillars等）和前沿技术（BEV、Transformer、端到端模型）
- 具备自动驾驶视觉3D感知、BEV/OCC算法量产经验，熟悉模型部署和优化（蒸馏、量化）
- 了解底软、传感器、执行器工作原理，熟悉Linux系统及ROS框架，具备车载调试能力
申请策略
- 关注公司在新紫光集团下的技术布局和自研芯片进展，在面试中展现对业务的理解
- 提前准备一个完整的端到端智驾系统设计案例，从感知到控制，体现系统性思维
- 突出智驾算法量产经验，特别是NOA、泊车、感知等模块的落地案例，附上具体技术细节和成果
- 强调对BEV、Transformer等前沿架构的深入理解，可以展示相关项目或开源贡献
- 列出模型部署优化经验（如NVIDIA、地平线平台），以及性能提升数据
- 突出跨团队协作和文档编写能力，用具体事例说明技术对接中的问题解决
- 补充模型蒸馏、量化等模型优化技术，可提前学习相关论文和工具
- 熟悉主流开源智驾算法框架（如Apollo、Autoware），尝试复现或改进
面试指南
- STAR法则：情境-任务-行动-结果，重点突出技术决策和量化成果
- 技术对比法：比较不同方案优劣，展示对技术选型的深度理解
- 问题分解法：将复杂问题拆解为子问题，体现系统性分析和解决能力
- 请详细描述你参与过的一个智驾算法量产项目，包括方案选型、遇到的挑战及解决方式
- BEV感知相比传统视觉感知有哪些优势？如何设计一个高效的BEV特征提取网络？
- 你在模型部署中做过哪些优化？如何平衡精度和实时性？
- 请解释Transformer在智驾中的应用，如VLA模型是如何工作的？
- 当传感器数据出现异常时，如何定位问题并保证算法输出仍可靠？
匹配度报告
72
综合匹配度
顶级智驾算法岗，前沿技术栈，高薪资高成长，但加班风险大、办公灵活性低。
适合人群
最适合追求技术深度和职业发展、愿意挑战高强度工作的求职者，对生活平衡要求较高者需谨慎。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展92
工作生活40
使命价值70
薪资福利匹配
85较高
职位薪资水平较高（高级算法岗），有上市大公司背书，福利待遇较好，但具体薪资未在JD中明示，需面议。
薪资信号面议 (30K-60K/月)
成长发展匹配
92较高
该职位技术要求顶尖，涉及自动驾驶最前沿的BEV、Transformer、端到端等，并有自研芯片平台，技能成长空间极大。JD中提及跟踪前沿技术，但未明确培训或晋升路径。
技术前沿前沿/新兴技术
技术栈BEV、Transformer、VLA、Occupancy、UniAD、端到端自动驾驶、模型蒸馏、量化
成长机会跟踪行业前沿技术
业务类型profit_center
工作生活匹配
40较低
工作地点为现场办公，未提及远程或弹性工时，考虑到智能驾驶行业节奏快，可能存在加班情况。
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
智能驾驶属于高速增长赛道，对交通安全和未来出行有积极影响，但JD未特别强调社会使命。
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