电装
AD E2E开发及部署工程师（外包）(J11853)
AD E2E开发及部署工程师（外包）(J11853)
发布于 大约 3 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
软件工程
PyTorch
TensorRT
ONNX
ROS
多传感器融合
BEV
OCC
Ad自动驾驶
E2E算法
AI 估算 · 25k–40k
自动驾驶算法工程师需求旺盛，但外包身份使薪资略低于正式员工，综合考虑市场水平估算。
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的开发与部署，包括将前沿算法从PyTorch模型转换并优化到Nvidia Orin-X平台，涉及多传感器融合、数据采集与标定等工作
作为电装的外包工程师，你将参与自动驾驶核心技术的落地，积累高价值的工程经验
最低要求
● 拥有3-5年的AD驾驶算法开发经验，E2E算法开发经验，掌握相关技术：
有一段式端到端的实际经验，掌握类似VAD，UniAD等相关端到端算法的基础知识，并持续跟踪最新的 SOTA算法
拥有多传感器融合与多模态集成的工作经验，并持续跟踪最新的 SOTA 算法
了解BEV，OCC等算法的变化过程，知道相关算法的优劣点
了解如何从图像/点云构建道路拓扑的基础知识，了解 NERF（神经辐射场）、3DGS相关算法的基础知识，并持续跟踪最新的 SOTA 算法
●模型转换与部署（TensorRT 相关）：
熟悉掌握深度学习模型的部署流程，特别是从 PyTorch、ONNX 到 TensorRT 的转换过程
熟练掌握C++对TensorRT的高性能部署
能够使用 TensorRT API 或 CLI 工具进行模型构建、序列化、加载与推理
了解 TensorRT 的优化策略，如 FP16、INT8 精度转换、层融合等
具备在Nvidia Orin-X（优先）或是Jetson Orin上部署模型的经验，包括资源管理与性能调优
熟悉模型部署中的常见问题，如内存占用、推理延迟、兼容性问题，并具备解决能力
● 数据采集与开发平台：
了解如何对摄像头和激光雷达进行标定
了解如何使用 ROS 构建接口，以便进行数据共享、采集，用于离线和在线测试与开发
● 图像与点云配准/标定/优化：
了解图像配准、点云配准的基础知识
了解 V-SLAM（视觉同步定位与建图）相关基础知识，如基础矩阵、基本矩阵、束调整、图优化
● 平台与编程语言：
操作系统：Linux（Ubuntu）、Windows
编程语言：Python、C、C++
● 其他要求：
需要拥有英语的论文阅读及交流能力
如有日语读写能力更佳
计算机、信息、数学、电子、自动化、机械、测控、汽车等相关专业本科及以上学历，3-5年的AD算法开发经验
工作职责
● 总结汇报自动驾驶领域最新的算法进展，成果
● 将SOTA的算法成果应用到当前算法和模型的改进及优化过程当中
● 将Pytorch模型通过ONNX，TensorRT，通过C++ 进行Orin-X的高性能部署
● 对数据整理，进行data loader及评价方法的编写
● 自动驾驶其他方向的探索应用，如视角转换，VLM，RL等
AI 洞察
优缺点分析
优点
- 能够深入接触自动驾驶核心算法和工程化部署，技术含量高
- 使用先进的TensorRT和Orin-X平台，技能市场价值高
- 参与前沿算法跟踪和落地，保持技术敏锐度
- 岗位为外包合同，稳定性及福利待遇可能不如正式员工
- 涉及多领域知识（感知、融合、部署、标定），对综合能力要求高
- 适合拥有3-5年AD算法经验、渴望深耕自动驾驶落地技术、能接受外包形式以换取技术成长机会的求职者
缺点 / 挑战
- 需要持续跟踪大量SOTA算法，学习压力较大
角色解读
- 在自动驾驶算法工程落地方面积累深厚经验，可向高级算法工程师或技术专家发展
- 有机会接触前沿SOTA算法，未来可转向算法研究或系统架构岗位
- 通过项目积累Orin-X平台优化经验，可拓展至其他嵌入式AI部署领域
- 负责将最新的自动驾驶端到端算法（如VAD、UniAD）从PyTorch模型转换并部署到Nvidia Orin-X平台，使用C++和TensorRT进行高性能优化
- 参与多传感器融合、数据采集与标定工作，利用ROS构建接口进行测试
- 跟踪AD领域前沿进展，将SOTA算法应用到现有模型改进中
- 精通PyTorch、ONNX、TensorRT模型转换与C++高性能部署
- 掌握端到端自动驾驶算法（如UniAD）、多传感器融合、BEV/OCC等理论基础
- 熟悉Linux开发环境，具备ROS、图像点云配准、V-SLAM等知识
申请策略
- 了解电装的自动驾驶业务方向，在面试中展示对技术落地的热情
- 提前准备一个完整的模型部署案例，从PyTorch到TensorRT并能说明优化策略
- 重点突出端到端算法（如UniAD/VAD）的实际项目经验
- 强调TensorRT部署和Orin-X平台优化经历，列出性能提升数据
- 展示多传感器融合、ROS、标定等工程能力
- 补充TensorRT高级优化技巧（如INT8量化、层融合）的实践
- 复习BEV/OCC算法原理并动手复现相关论文
- 熟悉最新的E2E算法（如VAD、UniAD）并理解其优缺点
面试指南
- 对于算法问题：先阐述核心思想，再对比优劣，最后结合实践经验
- 对于部署问题：按步骤说明流程（PyTorch→ONNX→TensorRT→优化），重点突出遇到的问题和解决方案
- 对于综合问题：展示知识广度，但保持逻辑清晰，用实际案例佐证
- 请介绍一下UniAD或VAD的核心思想，以及它们与传统方法的区别
- 如何将PyTorch模型通过ONNX转换为TensorRT？遇到过哪些问题？
- 如何在Orin-X上优化模型推理速度和内存占用？
- 解释一下BEV和OCC的概念，以及它们在自动驾驶中的作用
- 你有过多传感器融合的经验吗？如何处理传感器标定？
职位点评
62
综合评分
前沿自动驾驶算法部署岗，技术成长空间大，但外包身份和现场办公限制补偿与生活平衡。
更适合这类人
最适合以技术成长为首要动机、能接受外包形式以换取前沿算法部署经验的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利50
成长发展85
工作生活40
使命价值75
薪资福利
50较低
薪资处于市场中等偏上水平，但外包身份缺乏正式员工的福利与稳定性，补偿性动机满足有限。
薪资信号面议 (25K-40K/月)
成长发展
85较高
负责前沿算法落地，技术栈先进（TensorRT、Orin-X、E2E），成长空间大，但外包身份可能限制晋升通道。
技术前沿前沿/新兴技术
技术栈E2E算法、TensorRT、Orin-X、BEV、OCC、ROS
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工作或远程，上海地点通勤可能较长，WLB信号不明显。
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
75中等
自动驾驶是高速增长赛道，对社会有显著正面影响，但外包身份削弱使命感。
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
电装 的其他在招职位
相似职位推荐
Watch Jobs