德赛西威
决策规控算法工程师（2027届-上海）
决策规控算法工程师（2027届-上海）
发布于 9 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
Em Planner
Lattice
仿真测试
强化学习
车辆动力学
运动规划
值不值得投
75综合评分
综合评分 75
智能驾驶规控核心算法岗，技术前沿成长快，校招培养，WLB未明确
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，方便比较职业起点。
薪资怎么样
2.8万
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
14 个在招 · 其中自动驾驶 2 个
市场机会
选择面较广
上海 · 自动驾驶 · 约 190 个在招
职位详情
关于这个职位
该岗位面向2027届硕士应届生，负责智能驾驶行车与泊车运动规划算法研发，融合深度强化学习与Hybrid A*等传统规划方法
你将参与车辆动力学建模、数据处理、仿真测试与实车路测，推动规控算法在嵌入式平台落地
最低要求
硕士以上学历，计算机、车辆工程、自动化、机器人、控制工程等相关专业
精通C++/Python，扎实的算法与数据结构功底，熟悉Linux开发环境、Git协作流程，具备独立算法开发与调试能力
熟悉主流运动规划算法（Hybrid A*、Lattice、EM Planner等）、最优控制、车辆动力学模型
了解强化学习、系统辨识者优先
具备良好的仿真实验、数据分析、问题定位能力，逻辑清晰，能够支撑算法迭代与实车落地
工作职责
负责智能驾驶行车、泊车运动规划算法研发，探索深度强化学习与Hybrid A*等传统规划融合方案，设计高效、稳定的路径与速度规划策略
负责车辆动力学模型搭建与参数辨识，依托强化学习、系统辨识等方法优化整车模型精度，支撑底盘控制与轨迹跟随算法迭代
开展泊车及行车数据处理，完成数据解析、清洗、转换与数据集构建，满足深度学习训练与算法评测需求
搭建、扩展仿真测试环境，完成规划控制模型训练、闭环仿真验证，推进有效算法落地嵌入式平台并参与实车路测迭代
协同感知、决策等上下游模块完成联调优化，持续跟进前沿技术，迭代升级规控算法能力，保障整车行驶稳定性与安全性
优先资格
加分项：有自动驾驶规划控制、自动泊车、强化学习规划、车辆辨识、仿真平台开发相关项目、竞赛或实习经历优先
AI 洞察
优缺点分析
优点
- 岗位处于智能驾驶核心算法环节，规划控制能力可长期积累
- 技术栈覆盖传统规划、强化学习、车辆动力学与仿真，成长面较宽
- 有嵌入式落地和实车路测机会，能积累量产项目经验
- 校招岗位招聘数量较多，培养与项目资源相对明确
- 规控算法对数学、车辆动力学和工程实现要求高，学习曲线陡
- JD未明确加班与办公模式，实车联调阶段可能需要现场投入
- 适合数学与编程基础扎实、对自动驾驶规控有强烈兴趣、愿意在仿真与实车之间反复打磨算法的应届硕士
缺点 / 挑战
- 仿真到实车存在差距，需要反复调试与路测迭代，问题定位压力较大
角色解读
- 从规控算法工程师起步，逐步深入行车/泊车规划、强化学习融合等方向，成为模块负责人
- 积累实车落地与跨模块联调经验后，可向智能驾驶算法专家、技术负责人或系统架构方向发展
- 在量产项目中沉淀规控与仿真体系能力，横向拓展到决策、控制或端到端自动驾驶
- 研发智能驾驶行车与泊车的路径、速度规划算法，探索深度强化学习与Hybrid A*等传统规划融合
- 搭建车辆动力学模型并做参数辨识，用强化学习、系统辨识提升模型精度，支撑底盘控制与轨迹跟随
- 处理行车/泊车数据，构建训练与评测数据集，搭建仿真环境并完成闭环验证
- 推动算法落地嵌入式平台，参与实车路测，并与感知、决策模块联调优化
- 扎实的运动规划基础，熟悉Hybrid A*、Lattice、EM Planner等算法及最优控制
- 精通C++/Python，具备Linux开发、Git协作和独立算法调试能力
- 理解车辆动力学与系统辨识，了解强化学习在规划中的应用
- 具备仿真实验、数据分析、问题定位能力，能支撑算法从仿真到实车落地
申请策略
- 关注德赛西威智能驾驶业务与量产项目，面试中体现对规控落地场景的理解
- 提前确认2027届校招流程、工作地点与培养安排，准备好项目深挖和手撕代码
- 突出C++/Python工程能力，尤其是Linux下的算法开发、调试与Git协作经验
- 展示运动规划项目，如Hybrid A*、Lattice、EM Planner、最优控制或泊车规划
- 若有强化学习、车辆动力学建模/参数辨识、仿真平台开发经历，应放在显眼位置
- 用数据说明项目效果，如规划成功率、仿真覆盖率、实车测试里程或竞赛名次
- 系统复习运动规划与最优控制，能手推Hybrid A*、Lattice等算法并说明工程取舍
- 补充车辆动力学与系统辨识基础，了解底盘控制和轨迹跟随链路
面试指南
- 先讲清问题定义、约束与评价指标，再说明算法选型和工程取舍
- 用“场景-方法-验证-结果”结构回答项目题，突出数据与实车迭代
- 面对开放问题先给框架，再深入关键细节，主动说明安全边界与失败案例
- 请介绍Hybrid A*、Lattice、EM Planner的差异及适用场景
- 如何设计泊车场景下的路径与速度规划？遇到狭窄车位如何处理？
- 车辆动力学模型如何搭建与参数辨识？误差如何影响轨迹跟随？
- 强化学习与传统规划融合有哪些难点？如何保证安全性和稳定性？
- 仿真到实车落地时，如何定位规划算法的异常？
职位点评
薪资福利70
成长发展88
工作生活55
使命价值82
薪资福利
70中等
JD未披露薪资与福利，但岗位属于智能驾驶核心算法方向，按上海校招算法岗市场水平看具备一定竞争力。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
88较高
岗位直接参与行车/泊车规控、强化学习融合与实车落地，技术栈前沿且成长信号明确。
技术前沿前沿/新兴技术
技术栈C++、Python、Hybrid A*、Lattice、EM Planner、强化学习、车辆动力学、Linux、Git、仿真测试
成长机会持续跟进前沿技术
业务类型ambiguous
工作生活
55较低
JD未明确办公模式与加班情况，岗位涉及仿真、联调与实车路测，现场协作属性较强。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
82较高
智能驾驶处于成长赛道，规控算法直接关系行驶安全与稳定性，工作意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号保障整车行驶稳定性与安全性
创新程度积极采用新技术
Watch Jobs