初速度
自动驾驶端到端算法工程师/TL
自动驾驶端到端算法工程师/TL
发布于 2 小时前基层主管/组长
全职员工仅现场办公自动驾驶
自动驾驶
Pytorch
Tensorflow
强化学习
监督学习
规控算法
值不值得投
77综合评分
综合评分 77
自动驾驶前沿算法核心岗，技术成长与行业前景极佳，薪资回报丰厚，但量产交付压力较大。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5万
比自动驾驶中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
73 个在招
市场机会
选择面较广
北京 · 自动驾驶 · 约 170 个在招
职位详情
关于这个职位
该职位主要负责自动驾驶端到端算法（如Planning、规控、NaviModel等）的设计、研发与量产交付，涉及深度学习、强化学习等前沿技术在自动驾驶场景的落地
你需要与感知、测试等团队紧密配合，推动高速及城区自动驾驶产品的性能提升与实车路测，逐步向终局无人驾驶迈进
最低要求
【方向1要求】
计算机、机器人、人工智能等相关专业，熟练使用 C++、Python，有良好的数据结构和算法基础及代码规范
有深度学习算法背景，和扎实的数学基础，且具备预测、规划的背景知识
【方向2要求】
精通常用机器学习，强化学习、监督学习的方法，具有将这些算法应用到实际产品中的实战经验
熟悉 C/C++、Python，有良好的数据结构和算法基础
较强的算法设计和实现能力，熟悉 Caffe/TensorFlow/Pytorch 等训练框架
【方向3要求】
计算机、机器学习、人工智能、机器人等相关专业，熟练使用C/C++、Python，有良好的数据结构和算法基础
有深度学习算法背景，和扎实的数学基础
工作职责
【方向1职责】
负责 Deep Learning Planning 算法设计，实现与离线评测/实车路测
负责高速高架及城区等场景自动驾驶的量产交付，并逐步朝终局无人驾驶前进
负责 Deep Learning Planning 数据产线及离线评测的搭建与维护
【方向2职责】
负责将最前沿的强化学习，监督学习的方法应用到自动驾驶规控领域
参与自动驾驶深度学习框架的搭建和维护，模型自动化生产流程架构设计与优化
参与深度学习算法在数据生产线的研发落地，保障路测数据的高效回流与使用
同感知/规控/测试团队紧密配合，负责量产嵌入式自动驾驶产品中的规控算法集成
【方向3职责】
负责无高精方案下NaviModel-道路结构认知(LaneGraph)相关算法设计验证工作
负责无高精方案下NaviModel-实时导航相关算法设计验证工作
负责无高精方案下NaviModel算法迭代，高速/城区自动驾驶产品性能提升和交付
优先资格
【方向1优先】
有相关算法（Deep Learning Prediction，Deep Learning Planning，Deep Reinforcement Learning，Imitation Learning，Deep Generative Model等）经历的优先
有机器学习领域顶级会议期刊论文发表的优先
【方向2优先】
有较强的研究能力优先，曾在领域内的顶级会议发表论文 (CVPR,ICCV)者优先考虑
【方向3优先】
具有DETR，图神经网络，Deep Generative Model, Imitation Learning等研发经历者优先
有Online Mapping，道路拓扑生成，实时导航等相关经验者优先
有ACM等编程比赛获奖经历的优先
复杂系统工程经验，优秀开源项目研发经历
【通用加分项】
复杂系统工程经验，优秀开源项目研发经历
RoboMaster, RoboCup等机器人比赛或ACM竞赛获奖者
熟悉自动驾驶技术栈和主流Planning算法框架
有Robotaxi/Robotruck/无人配送/机器人等领域Planning算法落地应用经验
AI 洞察
优缺点分析
优点
- 处于自动驾驶端到端大模型与量产落地的核心赛道，技术前沿性极强
- 能接触到从数据产线、模型训练到实车路测的全链路闭环，工程与算法能力双重提升
- 公司已完成多轮融资并推进量产，业务稳定性与商业化前景较好
- 自动驾驶规控与端到端算法难度极高，需解决长尾场景（Corner Cases）与实车泛化问题
缺点 / 挑战
- 量产交付与实车路测压力大，需频繁跨团队（感知、测试、嵌入式）协同，工作节奏较快
- 适合具备扎实深度学习与强化学习基础，对自动驾驶量产落地有热情，且能承受较高技术挑战与快节奏工作的算法人才
角色解读
- 从核心算法工程师向技术专家或算法团队TL发展
- 未来可深入端到端自动驾驶大模型、L4级无人驾驶终局技术或跨域融合架构设计
- 负责自动驾驶端到端算法（如Planning、规控、NaviModel）的设计、研发与量产交付
- 搭建和维护深度学习框架及数据产线，保障路测数据高效回流
- 与感知、测试团队配合，完成嵌入式产品中的算法集成与实车路测
- 精通C/C++、Python及常用深度学习框架（PyTorch/TensorFlow）
- 扎实的数学基础与机器学习、强化学习、监督学习算法背景
- 具备自动驾驶规控、预测、规划或无高精地图导航算法的实战经验
申请策略
- 了解初速度在“量产自动驾驶（Mpilot）”与“完全无人驾驶（MPortal）”两条腿走路的技术路线，面试时展现对数据闭环与量产工程化的理解
- 突出在深度学习、强化学习或模仿学习领域的顶会论文（CVPR/ICCV等）或核心研究成果
- 详细列举在自动驾驶Planning、规控或无高精地图导航（NaviModel）方向的实际量产落地项目与指标提升
- 深入研读端到端自动驾驶（如UniAD、VAD等）及大模型在规控领域的最新前沿论文
- 提升C++工程化能力与模型在嵌入式平台的部署优化经验
面试指南
- 采用STAR法则，重点突出“问题定义-算法选型-工程优化-实车验证”的全链路闭环
- 对于前沿技术（如端到端），展现对行业主流方案的对比思考及自己的创新点
- 请详细介绍你参与过的自动驾驶Planning或规控算法项目，遇到了哪些长尾场景问题及如何解决？
- 在端到端架构中，如何平衡模仿学习与强化学习的优劣？
- 无高精地图方案下，NaviModel或LaneGraph的拓扑生成算法如何保证实时性与准确性？
- 如何将深度学习模型高效部署到嵌入式平台并满足实时性要求？
- 复习强化学习、模仿学习及图神经网络的基础理论，准备1-2个自己主导的复杂系统工程或开源项目案例
- 了解初速度最新的量产交付进展与技术博客
职位点评
薪资福利85
成长发展90
工作生活40
使命价值85
薪资福利
85较高
自动驾驶核心算法岗，薪资处于行业高位，且公司融资阶段较晚，商业化量产带来较好的薪资回报与稳定性。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
90较高
处于自动驾驶端到端与无高精地图等前沿技术赛道，能接触全链路数据闭环与量产落地，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Deep Learning、强化学习、监督学习、Planning、NaviModel、Pytorch、TensorFlow、DETR、图神经网络
业务类型profit_center
工作生活
40较低
JD未提及工作模式与WLB，但自动驾驶量产交付与实车路测通常伴随较高的工作强度与跟车需求。
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
85较高
致力于推动终局无人驾驶的实现，自动驾驶技术对改善未来出行方式具有显著的正向社会价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号逐步朝终局无人驾驶前进
创新程度开拓性创新（行业首创）
Watch Jobs