黑芝麻
端到端算法开发工程师(J10921)
端到端算法开发工程师(J10921)
发布于 12 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Bev感知
Occupancy
Pytorch
Tensorflow
多传感器融合
激光雷达
端到端模型
自动驾驶
值不值得投
76综合评分
综合评分 76
前沿端到端自动驾驶算法岗，技术成长性极强，公司平台好，但工作生活平衡情况未知。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4.5万
比自动驾驶中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
24 个在招 · 其中自动驾驶 8 个
市场机会
选择不多
深圳 · 自动驾驶 · 6 个在招
职位详情
关于这个职位
负责黑芝麻智能端到端自动驾驶算法的研发与落地
该职位专注于设计、开发与优化覆盖感知、预测、规划全链路的端到端模型，支持纯视觉、激光雷达及多传感器融合等多种技术路线，旨在将自动驾驶技术从研发推向城市与高速全场景的量产交付
最低要求
硕士及以上学历，计算机、自动化、电子工程、人工智能等相关专业，3年及以上自动驾驶算法研发相关工作经验，精通计算机视觉、机器学习、深度学习相关核心算法与理论
具备丰富的自动驾驶领域算法研发实操经验，有单目3D感知、BEV感知、激光雷达点云感知、时序视频感知、多传感器融合端到端建模项目经验者优先
深入理解Transformer、BEV、Occupancy等自动驾驶前沿算法技术，具备扎实的落地实践经验
精通C/C++或Python编程语言，具备扎实的算法与数据结构功底
有自动驾驶系统或BEV系统全链路感知算法研发经验，包括但不限于车道线识别、障碍物识别与跟踪、激光雷达点云处理、多模态感知融合等相关工作经验者优先
熟练使用PyTorch/TensorFlow等至少一种主流深度学习框架，能够独立复现、设计与迭代前沿端到端算法模型，具备完整的算法从研发到落地的全流程经验
工作职责
负责端到端自动驾驶框架的整体设计与研发，将主流感知、预测、规划技术融合至端到端建模体系中，全面覆盖纯视觉、激光雷达及多传感器融合全技术路线，支撑城市道路、高速高架全场景的自动驾驶核心任务
设计并开发全链路端到端模型，包括一段式端到端模型（传感器输入到车辆控制的端到端直接映射）与两段式端到端模型（如感知-规划模块解耦的模块化端到端架构），独立完成端到端规划模型的搭建与落地，全流程负责模型选型、技术方案制定、训练迭代与全生命周期性能优化
推动适配不同传感器配置方案的模型在车端的落地部署与性能调优，核心工作涵盖模型推理加速、后处理算法开发、车规级高效系统集成、系统稳定性验证与实车路测全流程工作
搭建纯视觉、激光雷达、多传感器融合多模态输入的端到端建模能力，实现端到端BEV感知、静动态Occupancy栅格推理、目标轨迹预测与生成等核心功能的多任务一体化输出，适配不同传感器配置的量产车型需求
负责高速高架、城市道路全场景下的端到端算法模型落地与量产交付，持续迭代优化算法性能，推动自动驾驶技术向全无人化终局演进
优先资格
具备单目3D感知、BEV感知、激光雷达点云感知、时序视频感知、多传感器融合端到端建模项目经验
有自动驾驶系统或BEV系统全链路感知算法研发经验
AI 洞察
优缺点分析
优点
- 参与自动驾驶行业最前沿的端到端技术研发，技术成长空间大
- 工作直接面向量产，技术成果能快速落地并产生实际价值
- 公司已上市，规模较大，平台资源相对丰富，能接触完整的产品研发流程
- 端到端自动驾驶是技术密集型领域，需要持续学习并跟踪最新的学术和工业界进展
- 作为量产交付导向的岗位，可能需要应对紧迫的项目时间表和严格的性能要求
- 对自动驾驶技术充满热情，具备扎实的算法功底和工程实践能力，希望将前沿AI技术转化为实际驾驶产品的工程师
缺点 / 挑战
- 从算法研发到车端部署涉及软硬件协同，技术复杂度高，调试和优化挑战大
角色解读
- 在自动驾驶算法领域深耕，成为端到端技术专家或感知/规划算法专家
- 随着项目成功量产，可承担更复杂的系统架构设计或技术方向引领职责
- 有机会成长为算法团队的技术负责人（Tech Lead）或走向技术管理岗位
- 设计、开发并优化从传感器输入到车辆控制的全链路端到端自动驾驶模型
- 负责纯视觉、激光雷达等多模态数据的融合感知、BEV感知、Occupancy推理及轨迹预测
- 将算法模型部署到车端，进行推理加速、系统集成与实车路测验证
- 主导从算法研发到量产交付的全过程，持续迭代提升系统在城市与高速场景下的性能
- 扎实的计算机视觉、机器学习和深度学习理论基础，特别是Transformer、BEV等前沿技术
- 精通C/C++或Python编程，以及PyTorch/TensorFlow等深度学习框架
- 具备完整的算法研发与落地经验，涵盖数据处理、模型训练、优化及车端部署
- 深入理解自动驾驶系统架构，有感知、预测或规划模块的研发经验
申请策略
- 在简历和面试中，清晰阐述你对端到端自动驾驶技术路线的理解和思考
- 准备1-2个完整的算法项目案例，能清晰说明问题定义、技术选型、遇到的挑战及解决方案
- 重点突出3年以上自动驾驶或相关计算机视觉领域的算法研发项目经验
- 详细描述参与过的端到端模型、BEV感知、多传感器融合等具体项目、你的职责和技术成果
- 强调在模型训练、优化、部署（尤其是车端部署和加速）方面的实践经验和熟练度
- 如果缺乏车端部署经验，可以学习TensorRT、ONNX Runtime等模型推理加速工具
- 跟进自动驾驶领域顶级会议（如CVPR, ICCV, ECCV）和最新论文，深化对前沿技术的理解
- 结合开源项目（如OpenMMLab, Waymo Open Dataset）进行实践，补全项目经验
面试指南
- 对于技术原理类问题（如端到端架构、BEV感知），采用“定义-核心点-对比/优缺点-应用”的结构进行回答，体现理解深度
- 对于项目经验类问题，使用STAR法则（情境、任务、行动、结果），重点突出你个人的技术贡献、克服的难点和最终效果
- 对于开放性问题（如技术瓶颈），结合学术界和工业界的普遍观点，给出有依据的分析，并提出可能的解决方向
- 请解释一段式和两段式端到端自动驾驶架构的主要区别和各自的优缺点
- 在端到端模型中，如何处理传感器数据的多模态融合？你用过哪些具体方法？
- BEV感知模型的核心思想是什么？在你的项目中是如何实现的？遇到了哪些挑战？
- 描述一个你将算法模型从研发阶段优化并部署到车端（或嵌入式平台）的完整经历
- 你认为当前端到端自动驾驶技术面临的主要瓶颈是什么？
职位点评
薪资福利75
成长发展95
工作生活50
使命价值80
薪资福利
75中等
职位属于高技术门槛的核心算法岗，公司已上市且规模大，通常能提供具有市场竞争力的薪酬和相对完善的福利体系。
薪资信号未披露（AI估算：3.5千–5.5万/月）
成长发展
95较高
该职位专注于自动驾驶最前沿的端到端技术研发，技术栈先进（BEV、Transformer、Occupancy），且要求全流程参与，从模型设计到车端落地，能提供极强的技术深度和广度的成长机会。
技术前沿前沿/新兴技术
技术栈端到端模型、BEV感知、Transformer、Occupancy、激光雷达、多传感器融合、PyTorch
业务类型profit_center
工作生活
50较低
工作地点位于深圳和武汉，均为一线/新一线城市。JD未提及任何关于办公模式（远程/混合）或工作生活平衡的具体信息，工作地点类型未明确。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
自动驾驶是推动未来出行变革的关键领域，具有明确的行业增长前景和社会价值。该职位直接参与量产技术落地，能带来较强的技术成就感和行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号推动自动驾驶技术向全无人化终局演进
创新程度积极采用新技术
Watch Jobs