德赛西威
定位/地图算法工程师（2027届-上海）
定位/地图算法工程师（2027届-上海）
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Gnss/Ins
Pytorch
Ros
Slam
多传感器融合
建图定位
深度学习
激光雷达
值不值得投
72综合评分
综合评分 72
自动驾驶核心算法校招岗，技术栈前沿、成长性强，薪资福利与WLB信息未披露。
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
2.4万
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
18 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 200 个在招
职位详情
关于这个职位
该岗位面向2027届校招，负责自动驾驶建图定位核心算法研发与落地，包括深度学习里程计、地图匹配、地图构建及多传感器融合定位
你将参与算法设计、实车调试、地图引擎与工具链开发，并推动前沿技术在量产场景中的工程化交付
最低要求
硕士及以上学历，计算机、软件工程、车辆工程、自动化、机器人、测绘、导航、数学、GIS等相关专业，专业基础扎实
熟悉地理位置坐标系、里程计坐标系等各类定位坐标系定义，精通IMU、GNSS、摄像头、激光雷达、轮速等车载传感器工作原理、信号特性及优劣势
熟练掌握Linux环境下C++开发、编译与调试，精通Python数据分析与算法开发
熟悉PyTorch、Docker、ROS等开发工具与系统，具备完整的算法工程落地能力
熟练掌握LOAM、FAST-LIO、LIO-SAM、VINS-Mono等主流SLAM框架，熟悉GNSS/INS组合定位算法
了解SD/HD智驾地图格式，熟悉ADASIS、OpenDRIVE、OSM等开源地图规范者优先
具备良好的算法调研、问题分析与攻坚能力，能够协同上下游完成算法联调、迭代与交付落地，学习能力强，关注定位建图与车载地图前沿技术
工作职责
负责自动驾驶建图定位核心算法研发与落地，实现基于深度学习的里程计算法、地图匹配算法及地图构建方案，开发基于图像、点云的地理位置识别算法，支撑车辆精准定位
主导多传感器融合建图定位算法的设计、开发、迭代与软件交付，开展实车调试，对接上下游业务模块，持续优化算法性能，保障算法落地后的稳定性与可靠性
负责自动驾驶地图引擎核心功能开发、配套工具链搭建与迭代优化，常态化开展地图相关问题排查、复盘与优化，闭环各类线上及测试场景问题
持续调研深度学习、建图定位领域前沿技术与行业方案，探索新技术在定位构图任务中的落地应用，推动算法创新迭代与技术方案升级
优先资格
加分项：熟悉QGIS、SQLITE工具
具备AI Agent落地开发、辅助解决实际研发问题的相关经验
了解各类视觉/语言大模型、有高水平论文产出、熟悉开源深度学习定位框架者优先
AI 洞察
优缺点分析
优点
- 切入自动驾驶核心的建图定位环节，技术壁垒高、经验稀缺
- 技术栈覆盖深度学习、SLAM、多传感器融合与地图引擎，成长维度丰富
- 岗位强调算法落地、实车调试与软件交付，工程能力提升快
- 面向2027届校招，适合应届生系统进入自动驾驶算法领域
- 建图定位算法链路长，涉及传感器标定、融合、地图与实车调试，问题定位难度高
- JD未披露工作模式与WLB信息，实际节奏需在面试中确认
- 适合硕士及以上、对SLAM/多传感器融合有基础、愿意在自动驾驶量产场景中打磨工程能力的应届生
缺点 / 挑战
- 需要同时具备算法研究与C++工程落地能力，学习和交付压力不小
角色解读
- 从算法模块开发起步，逐步负责建图定位子系统与地图引擎的端到端交付
- 积累量产自动驾驶实车调试与工程化经验，向定位建图技术专家或算法负责人发展
- 可延伸到多传感器融合、感知定位一体化、自动驾驶地图平台等方向
- 研发自动驾驶建图定位核心算法，覆盖深度学习里程计、地图匹配、地图构建和图像/点云地理位置识别
- 设计并迭代多传感器融合建图定位方案，完成软件交付、实车调试及上下游模块联调
- 开发自动驾驶地图引擎、工具链，排查并闭环线上与测试场景中的地图问题
- 跟踪深度学习与SLAM前沿方案，推动新技术在定位构图任务中的落地
- 扎实的C++/Python工程能力，熟悉Linux、PyTorch、Docker、ROS
- 掌握LOAM、FAST-LIO、LIO-SAM、VINS-Mono等SLAM框架及GNSS/INS组合定位
- 理解IMU、GNSS、摄像头、激光雷达、轮速等传感器原理与多传感器融合
- 熟悉定位坐标系、智驾地图格式及ADASIS/OpenDRIVE/OSM等地图规范
申请策略
- 关注德赛西威智能驾驶/自动驾驶业务与量产项目，面试中体现对车载落地场景的理解
- 提前确认岗位工作地点、实车调试安排与培养机制，判断与个人规划是否匹配
- 突出SLAM相关项目：LOAM/FAST-LIO/LIO-SAM/VINS-Mono的使用、改进或复现经历
- 展示多传感器融合与GNSS/INS组合定位经验，说明传感器标定、时间同步和实车调试成果
- 强调C++工程能力与Linux/ROS/PyTorch/Docker工具链，量化算法性能或交付结果
- 如有地图格式、OpenDRIVE/OSM、QGIS/SQLITE或AI Agent经验，单独列出
- 系统复习SLAM后端优化、IMU预积分、点云配准和GNSS/INS融合原理
- 补强C++性能优化、ROS工程实践和实车/仿真调试流程
面试指南
- 用“场景-方案-指标-反思”结构讲项目：先说明问题和约束，再讲算法选型与工程实现，最后给出量化结果和改进点
- 回答技术对比题时先给结论，再从精度、鲁棒性、算力、标定依赖和量产落地难度展开
- 回答排障题时按“数据采集-时间同步-标定-融合-地图-评测”链路定位，体现闭环能力
- 请介绍你做过的一个SLAM/建图定位项目，重点说明系统框架、传感器配置和你的贡献
- LOAM、FAST-LIO、LIO-SAM、VINS-Mono各有什么特点？你如何选型？
- 如何做IMU、GNSS、摄像头、激光雷达和轮速的多传感器融合与时间同步？
- 建图定位在实车场景中常见的问题有哪些？你如何排查和优化？
- 如果要把深度学习里程计部署到车端，你会考虑哪些工程约束？
职位点评
薪资福利60
成长发展88
工作生活55
使命价值82
薪资福利
60中等
JD未披露薪资与福利信息，补偿性动机满足程度需结合后续offer与福利沟通确认。
薪资信号未披露（AI估算：1.8千–3.0万/月）
成长发展
88较高
岗位聚焦自动驾驶建图定位核心算法，涉及深度学习、SLAM、多传感器融合与地图引擎，技术栈前沿且工程落地链路完整，有利于积累稀缺算法经验。
技术前沿前沿/新兴技术
技术栈C++、Python、PyTorch、Docker、ROS、SLAM、LOAM、FAST-LIO、LIO-SAM、VINS-Mono、GNSS/INS、多传感器融合、深度学习、OpenDRIVE、OSM、QGIS、SQLITE、AI Agent
成长机会持续调研深度学习、建图定位领域前沿技术与行业方案、推动算法创新迭代与技术方案升级、学习能力强
业务类型profit_center
工作生活
55较低
JD未明确办公模式、远程天数与WLB信号；岗位包含实车调试与上下游联调，实际工作节奏需在面试中确认。
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
82较高
自动驾驶属于高成长赛道，定位建图直接支撑车辆精准定位与智驾安全，技术社会价值较明显；JD未直接表述使命愿景。
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