卡特彼勒
Prediction Engineer
Prediction Engineer
发布于 大约 14 小时前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
硕士
机器学习工程
Hd Map
Ros2
深度学习
自动驾驶
轨迹预测
多模态预测
行为意图识别
AI 估算 · 35k–60k
高级算法工程师，自动驾驶赛道，跨国巨头，薪资具有竞争力，北京上海较无锡略高，综合估算月薪3.5-6万。
职位详情
关于这个职位
该职位负责矿山自动驾驶场景下的目标行为理解、轨迹预测及地图约束预测算法研发，是自动驾驶系统中的核心预测模块
你将参与从0到1搭建预测框架，开发多模态轨迹预测、意图识别等算法，并与感知、决策规划团队紧密协作，直接提升无人矿卡的安全性与运输效率
适合具有5年以上自动驾驶算法经验、对预测技术有深入理解的工程师
最低要求
硕士及以上学历，自动驾驶、机器人、人工智能、计算机、控制、车辆工程等相关专业
年以上自动驾驶、机器人或无人系统算法经验，具备 Prediction、Tracking、Behavior Understanding 或 Planning 相关项目经验
具备从0到1搭建算法模块、定义接口、建立评估指标并推动持续迭代的经验
熟悉 CV、CA、CTRV、CTRA、Kalman Filter、EKF、UKF、IMM 等运动预测和状态估计方法
熟悉 LSTM、GRU、Transformer、GNN、LaneGCN、VectorNet、HiVT、MTR、Scene Transformer 等深度学习预测方法者优先
具备多模态轨迹预测、行为/意图识别、交互建模、轨迹评分、不确定性建模和置信度校准经验
理解 HD Map、路网拓扑、Map Matching、地图语义表达、路线关联和地图约束下的候选轨迹生成
理解预测与决策规划耦合关系，能够将预测结果转化为可用于安全距离、冲突检测、让行/跟车/绕障的工程输入
工作职责
预测模块从0到1框架建设：定义预测模块架构、输入输出、数据流和接口契约，明确与感知、融合跟踪、HD Map、决策规划和安全模块的协同关系
建立目标状态建模、历史轨迹管理、行为意图识别、多模态轨迹预测、置信度输出和异常诊断流程
设计可解释、可测试、可迭代的预测框架，支持交叉口、主路、装卸区、排队区、弱网及调度信息不完整等场景扩展
矿山混行混编预测算法开发：面向无人矿卡、人工矿卡、辅助车辆、挖机、装载机、洒水车、行人等对象建立行为和运动模型
开发跟车、会车、切入切出、让行、汇入、路口通行、装载/卸载区车辆入换和排队等场景的意图识别与轨迹预测能力
结合 HD Map、路网拓扑、作业区语义、路权/调度信息，生成候选路线、时间占用、冲突概率和不确定性表达
数据闭环、评估与工程落地：与感知、预测、决策规划、安全和仿真团队协同，保证预测输出可直接用于碰撞检测、让行、跟车、绕障和速度规划
建立场景挖掘、标签体系、指标体系、仿真回放、问题复现和实车验证闭环，持续提升复杂场景覆盖度和稳定性
优化预测模块时延、资源占用、稳定性和部署流程，支持 ROS2/C++ 工程化集成、日志追踪和问题定位
优先资格
有矿山、港口、园区、物流场、工程机械或复杂封闭场景无人驾驶项目经验
有混行、混编、多车协同、V2X、云端调度协同或非合作车辆交互预测经验
有数据闭环、自动标注、仿真评估、实车回放、模型部署和线上问题定位经验
熟悉 Apollo、Autoware 或大规模自动驾驶平台 Prediction 模块者优先
AI 洞察
优缺点分析
优点
- 技术前沿：采用Transformer、LaneGCN等深度学习预测模型，处于自动驾驶算法核心位置
- 业务价值高：直接提升无人矿卡安全性和效率，技术成果落地性强
- 平台优质：卡特彼勒作为行业巨头，提供全球化资源和稳定发展平台
- 领域难度大：矿山场景混杂、环境复杂，算法需覆盖多种边缘情况，调试难度高
- 工程要求高：需要从0到1搭建模块，对系统设计和工程化能力要求极高
缺点 / 挑战
- 跨领域挑战：涵盖感知、预测、规划等多个模块，能全面提升系统能力
- 工作强度可能较大：作为前沿技术岗位，可能需要应对研发压力和紧迫的项目节点
- 适合对自动驾驶预测算法有深刻理解、热爱技术挑战、善于解决复杂工程问题，并希望在智能矿山等垂直领域深耕的工程师
角色解读
- 技术专家路线：在预测算法领域深耕，成为轨迹预测、意图识别方向的权威专家
- 架构师路线：主导预测模块整体架构设计，向自动驾驶系统架构师方向发展
- 管理路线：从技术骨干逐步转向团队管理，负责预测研发团队的规划和建设
- 负责自动驾驶预测模块的架构设计与算法研发，从零搭建目标行为理解、轨迹预测和地图约束预测的完整框架
- 针对矿山场景中的多种交通参与者（矿卡、挖机、行人等）建立运动模型，开发意图识别与多模态轨迹预测算法
- 与感知、决策规划、仿真团队紧密协作，将预测结果工程化落地，确保实时性、稳定性和可解释性
- 建立数据闭环和评估体系，通过场景挖掘、仿真回放和实车验证持续优化算法性能
- 扎实的算法基础：熟悉状态估计（Kalman Filter、EKF、UKF等）和深度学习预测方法（LSTM、Transformer、GNN等）
- 精通C++和ROS2，具备大型自动驾驶系统集成和工程化部署经验
- 深入理解HD Map、路网拓扑和地图匹配技术，能够结合地图约束生成候选轨迹
- 具备优秀的团队协作和跨模块沟通能力，能清晰定义接口并推动迭代
申请策略
- 在申请时强调你对该岗位技术方向的钻研和热情，并可提及对卡特彼勒在矿山智能化布局的认同
- 准备好展示你解决问题的能力，例如用具体案例说明如何优化预测精度或时延
- 突出自动驾驶预测或规划相关的项目经历，特别是从0到1搭建模块的经验
- 详细描述你在轨迹预测、意图识别、状态估计方面的技术实践，给出量化结果
- 展示C++、ROS2、深度学习框架（PyTorch等）的实际工程能力
- 如果有矿山、港口或封闭场景项目的落地案例，务必重点强调
- 熟悉主流预测算法：阅读LaneGCN、MTR、Scene Transformer等论文，尝试复现
- 学习HD Map和地图匹配技术，理解地图约束在预测中的作用
面试指南
- 回答技术问题时，采用STAR法则：描述情境、任务、行动和结果，量化效果
- 对于系统设计类问题，先明确需求，再提出架构方案，并讨论权衡和边界条件
- 对于场景性问题，展现你的分析思路：从数据收集、模型设计、工程优化到迭代评估
- 请详细讲解一下你在轨迹预测项目中使用的模型和算法，以及为什么选型
- 如何处理多模态轨迹预测中的不确定性？你如何评估置信度？
- 在矿山场景中，如何结合HD Map约束生成候选轨迹？请举例说明
- 如果预测模块的延迟不满足要求，你会如何优化？
- 你如何定义预测模块的评估指标？如何平衡准确率和召回率？
职位点评
68
综合评分
自动驾驶预测方向技术前沿，成长空间大，但薪资未明且WLB不明确。
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。
更适合这类人
最合适追求技术挑战和长远发展的求职者，特别是热衷于自动驾驶算法创新、不介意现场办公和可能加班氛围的工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利62
成长发展88
工作生活45
使命价值78
薪资福利
62中等
职位未披露具体薪资，但跨国巨头通常提供有竞争力的薪酬和福利，不过固定期限合同可能影响稳定性。
薪资信号未披露（AI估算：35K-60K/月）
成长发展
88较高
岗位涉及前沿深度学习预测算法，从0到1搭建框架，技术成长空间大；但未明确提及培训或晋升通道。
技术前沿前沿/新兴技术
技术栈深度学习、Transformer、LSTM、GNN、Kalman Filter、HD Map、ROS2、C++
业务类型ambiguous
工作生活
45较低
工作地点为现场办公，未提及弹性工作或远程，矿山场景可能涉及出差或现场支持，办公地点不确定，WLB保障未明确。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
78中等
该职位直接提升矿车运行安全性，助力矿山智能化，实际应用价值高，与社会可持续发展目标契合。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号安全、效率
创新程度积极采用新技术
卡特彼勒 的其他在招职位
相似职位推荐
Watch Jobs