黑芝麻
自动驾驶预测模型工程师(J11116)
自动驾驶预测模型工程师(J11116)
发布于 8 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
Pytorch
数据闭环
概率统计
深度学习
自动驾驶
轨迹预测
值不值得投
77综合评分
综合评分 77
前沿技术、平台大、行业增长快，但WLB可能一般。
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
20K
比自动驾驶中位数低
发布情况
新岗位 · 今天发布
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
负责自动驾驶预测模型的设计、研发和落地部署，覆盖行人、车辆、非机动车等交通参与者的轨迹与行为预测，支撑L2-L4级量产功能
工作涉及前沿算法跟踪、数据闭环建设、模型工程化及多团队协作，旨在解决复杂场景下的预测难题
最低要求
本科及以上学历，计算机、人工智能、自动化、车辆工程等相关专业，本科3年或硕士2年以上自动驾驶预测模型相关工作经验
扎实的深度学习、机器学习、时序建模、概率统计基础，精通自动驾驶轨迹预测、行为预测核心算法，熟悉主流预测模型架构（Transformer、GRU/LSTM、MotionCNN、GNN、HDMap-based预测等）
熟练使用PyTorch/TensorFlow框架，精通Python，熟练掌握C++开发，熟悉Linux开发环境，具备完整的模型训练、调优、评测、迭代实战经验
熟悉自动驾驶数据闭环流程，具备海量驾驶数据挖掘、难样本迭代、数据集构建经验，能够通过数据驱动持续优化模型效果
了解BEV感知、多传感器融合、车道/地图特征建模，熟悉预测与感知、规控的联动逻辑，优化预测结果可解释性与安全性
工作职责
负责自动驾驶目标行为、意图、轨迹预测模型的设计、研发、训练、迭代与落地部署，覆盖行人、车辆、非机动车、路口动态障碍物等多类交通参与者，支撑L2-L4级自动驾驶量产功能
跟进业内SOTA预测算法、Transformer时序建模、联合预测、规预一体、生成式预测等前沿技术，结合城市道路、高速、泊车等业务场景，输出适配量产的预测模型方案，解决急变道、横穿、鬼探头、拥堵交互等复杂场景预测难题
主导预测模型数据闭环建设，包含场景挖掘、难样本筛选、数据清洗、标注规范制定、数据集迭代，搭建高效的模型训练与评测流水线，持续提升模型准确率、召回率、轨迹拟合度与场景泛化能力
负责模型工程化落地，完成模型量化、剪枝、推理加速、算子适配，适配车载嵌入式平台，保障模型低时延、低功耗、高稳定性运行，满足自动驾驶量产实时性要求
搭建预测算法评测体系，设计仿真、实车测试评测指标，定位分析预测失效案例、漂移问题，持续迭代优化模型性能与鲁棒性
深度联动感知、规控、地图、测试、整车团队，完成算法联调、实车标定、道路测试与问题闭环，支撑车型迭代、OTA升级与量产交付
AI 洞察
优缺点分析
优点
- 技术前沿，涉及自动驾驶热点领域，能接触SOTA算法和量产实践
- 公司已上市且规模大，提供稳定平台和资源支持
- 工作涉及实车测试和多团队协作，实践价值高
- 行业增长快，职业前景广阔
- 多团队协作需沟通能力，处理复杂场景问题可能复杂
缺点 / 挑战
- 技术难度高，需要持续跟进算法迭代和工程化挑战
- 工作可能涉及高强度项目交付和现场测试，时间压力大
- 适合对自动驾驶有强烈兴趣、具备扎实算法和工程能力、愿意应对技术挑战并追求行业成长的求职者
角色解读
- 从预测模型工程师晋升为高级算法专家或技术负责人，专注于核心算法研发
- 转向自动驾驶系统架构师或技术管理岗位，负责整体算法架构和团队指导
- 参与更复杂的自动驾驶功能开发，如规预一体或多传感器融合，拓展技术深度
- 设计并优化自动驾驶预测模型，确保对各类交通参与者的轨迹和行为进行准确预测
- 跟踪前沿技术如Transformer和生成式预测，结合实际场景解决复杂驾驶难题
- 主导数据闭环流程，从数据挖掘到模型评测，持续提升模型性能
- 将模型部署到车载平台，进行工程化优化以满足量产实时性要求
- 精通深度学习和机器学习框架，如PyTorch/TensorFlow，具备C++和Python开发能力
- 熟悉自动驾驶预测算法和主流模型架构，如Transformer、GNN等
- 具备数据处理和数据闭环经验，能通过数据驱动优化模型
- 了解自动驾驶系统模块，如BEV感知和规控联动，注重安全性和可解释性
申请策略
- 研究黑芝麻智能的自动驾驶产品线和量产案例，了解公司技术方向
- 准备项目演示，重点说明如何解决实际预测难题和提升模型性能
- 突出自动驾驶预测模型相关项目经验，如轨迹预测算法设计与优化
- 强调深度学习框架（PyTorch/TensorFlow）和C++技能，以及数据闭环实践
- 展示在复杂场景（如急变道、鬼探头）下的模型迭代成果
- 体现团队协作和工程化部署能力，如模型量化、推理加速
- 深入学习BEV感知和规控联动知识，以增强系统级理解
- 提升模型在车载平台的优化技能，如量化剪枝和算子适配
面试指南
- 采用STAR法则：描述情境、任务、行动和结果，结合具体项目经验
- 强调问题解决思路：从问题定义、数据/算法选择、优化到验证的完整逻辑
- 突出工程化思维：平衡性能、实时性和稳定性，适应量产要求
- 请描述你如何设计一个自动驾驶轨迹预测模型，从数据准备到部署的全流程
- 如何处理预测模型中的难样本和数据偏差问题？
- 如何在保证预测精度的同时，优化模型在车载嵌入式平台上的推理速度？
- 遇到预测模型在复杂交互场景下失效，你会如何分析和解决？
- 你如何将预测模块与感知、规控模块进行联调和优化？
职位点评
薪资福利80
成长发展85
工作生活60
使命价值80
薪资福利
80较高
该职位在已上市企业，薪资市场竞争力较强，但JD未披露具体福利细节。
薪资信号未披露（AI估算：1.5–2.5万/月）
成长发展
85较高
涉及前沿自动驾驶技术，有数据闭环和工程化落地机会，利于技能积累和职业成长。
技术前沿前沿/新兴技术
技术栈Transformer、PyTorch、C++、自动驾驶预测
业务类型ambiguous
工作生活
60中等
自动驾驶工作可能需要现场办公和实车测试，但JD未明确办公模式，WLB情况未知。
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
自动驾驶技术有正向社会影响力，推动交通智能化，行业前景广阔。
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