
滴滴出行
算法实习生(自动驾驶)-MJ020797
算法实习生(自动驾驶)-MJ020797
发布于 1 小时前实习/见习
AI 估算 · 6.0千–1.0万 · AI 参考估算
中国
无经验要求
学历未注明
实习生仅现场办公自动驾驶
自动驾驶
Bev
Pytorch
Tensorrt
机器学习
深度学习
路径规划
轨迹预测
值不值得投
71综合评分
综合评分 71
自动驾驶前沿算法实习,技术成长和项目价值突出,薪资福利与办公模式未披露
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,方便比较实习机会。
薪资怎么样
8.0千
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
约 2420 个在招 · 其中自动驾驶 15 个
市场机会
选择面较广
自动驾驶 · 约 500 个在招
职位详情
关于这个职位
这是一个面向自动驾驶方向的算法实习岗位,主要参与预测与规划模型研发,覆盖数据构建、模型设计、训练调优、离线评估和部署验证
你将围绕复杂道路场景、多相机视觉、BEV 表征和地图信息融合,提升车辆意图预测、车道选择与轨迹规划效果
最低要求
计算机、人工智能、自动化、数学等相关专业,具备扎实的机器学习、深度学习和算法基础
熟练掌握 Python,熟悉 PyTorch 等深度学习框架,具备实际模型训练经验,能够开展数据处理、训练调试、效果评估与问题分析
对自动驾驶感知、预测或规划有一定了解,关注相关模型与技术进展
踏实认真、自我驱动,具备良好的问题分析能力和团队协作能力
工作职责
参与自动驾驶预测与规划模型的研发,涵盖数据构建、模型设计、训练调优、离线评估及部署验证
探索多相机视觉、BEV 表征与地图信息融合,支持车辆意图预测、车道选择及路径规划
挖掘复杂场景和长尾案例,通过数据迭代、模型优化与实验分析,持续改善规划效果
优先资格
有自动驾驶模型训练经验者优先,包括但不限于多相机视觉、BEV 感知、行为预测、轨迹预测、学习式规划或端到端自动驾驶
具备以下经验之一者优先:
参与过模型训练与迭代,熟悉数据清洗、样本挖掘、损失设计、训练调优或多任务学习
熟悉模型部署与推理优化,如 ONNX、TensorRT、量化或蒸馏
熟悉 SQL、Spark/Hive 等数据处理工具,或具备 C/C++ 开发能力
AI 洞察
优缺点分析
优点
- 岗位贴近自动驾驶核心算法链路,能接触预测、规划、BEV、多相机融合等较有技术深度的方向
- 工作内容覆盖数据、训练、评估、部署验证,适合建立完整的算法工程闭环认知
- 复杂场景和长尾案例较多,有利于提升问题分析、实验设计和模型迭代能力
- 自动驾驶与智能出行场景结合紧密,项目成果具有较强现实应用价值
- 自动驾驶算法对安全性、稳定性和场景覆盖要求高,实验分析和问题定位难度较大
- 涉及多相机视觉、地图融合、轨迹预测和学习式规划,技术栈广,学习曲线较陡
- 实习岗位通常需要快速产出实验结果,对数据敏感度、代码效率和沟通能力都有要求
- 适合计算机、人工智能、自动化、数学等专业,具备 Python/PyTorch 模型训练经验,并对自动驾驶预测规划有持续兴趣的学生
缺点 / 挑战
暂无明显挑战项
角色解读
- 实习生阶段重点积累自动驾驶预测规划算法研发经验,熟悉真实业务中的数据、模型和评估体系
- 后续可向算法工程师、自动驾驶预测/规划工程师、端到端自动驾驶算法工程师等方向发展
- 长期可深入模型部署、推理优化、多模态融合或学习式规划等方向,成长为专项技术骨干
- 参与自动驾驶预测与规划模型研发,从数据构建、模型设计到训练调优和离线评估,形成完整的算法迭代闭环
- 围绕复杂道路和长尾场景,分析模型失败案例,通过样本挖掘和数据迭代持续提升规划效果
- 探索多相机视觉、BEV 表征和地图信息融合,支持车辆意图预测、车道选择和路径规划
- 参与模型部署验证与推理优化相关工作,让算法从实验环境走向实际验证
- 需要扎实的机器学习、深度学习和算法基础,能够理解预测、规划类模型的设计思路和训练逻辑
- 需要熟练使用 Python 和 PyTorch,具备数据处理、训练调试、效果评估和问题分析能力
- 需要了解自动驾驶感知、预测或规划 basics,关注多相机视觉、BEV、行为预测、轨迹预测等技术方向
- 有数据清洗、样本挖掘、损失设计、多任务学习、ONNX、TensorRT、量化蒸馏、SQL、Spark/Hive 或 C/C++ 经验会更有竞争力
申请策略
- 申请时尽量体现对自动驾驶场景安全和用户体验的理解,而不仅是模型算法本身
- 由于 JD 未明确具体城市,投递前建议确认办公地点、实习周期、每周到岗天数和是否支持转正
- 突出与深度学习、机器学习相关的课程项目或科研经历,尤其是模型设计、训练调优和效果评估过程
- 展示 Python、PyTorch 实战能力,最好写明数据集规模、模型结构、评价指标和优化结果
- 如果有自动驾驶、BEV、多相机视觉、轨迹预测、行为预测或端到端驾驶相关项目,应放在简历显眼位置
- 补充数据处理和工程能力,如 SQL、Spark/Hive、C/C++、ONNX、TensorRT、量化或蒸馏经验
- 面试前可复习常见深度学习模型训练技巧,包括数据清洗、样本不均衡处理、损失函数设计、多任务学习和调参方法
- 建议准备一个可讲清楚的自动驾驶或视觉预测类项目,重点说明问题定义、数据构建、模型方案、实验对比和失败分析
面试指南
- 项目类问题采用「背景目标—数据构建—模型方案—实验指标—问题定位—优化结果」结构回答,突出量化结果
- 技术理解类问题先讲业务场景和安全目标,再讲技术路线与局限,避免只背概念
- 问题分析类问题按数据质量、场景覆盖、模型容量、损失函数、训练策略、评估指标和部署约束逐层拆解
- 请介绍一个你做过的深度学习模型训练项目,包括数据、模型、评价指标和优化过程
- 你如何理解自动驾驶中的意图预测、轨迹预测和车道级路径规划之间的关系?
- 面对长尾场景或模型预测错误时,你会如何定位问题并设计数据迭代方案?
- 你对 BEV 表征、多相机视觉和地图信息融合有哪些了解?
- 模型训练效果不理想时,你会从数据、模型、损失函数和训练策略哪些方面排查?
职位点评
薪资福利62
成长发展88
工作生活45
使命价值82
薪资福利
62中等
JD 未披露薪资和福利信息,无法判断薪酬竞争力;作为实习岗位,补偿性动机满足程度主要取决于实际实习津贴与补贴安排。
薪资信号未披露(AI估算:6.0千–1.0万/月)
成长发展
88较高
岗位涉及自动驾驶预测规划、深度学习、多相机视觉、BEV、模型训练与部署验证,技术成长空间较大。JD 虽未提及培训或晋升路径,但工作内容本身具有较强的算法实战属性。
技术前沿前沿/新兴技术
技术栈深度学习、机器学习、Python、PyTorch、多相机视觉、BEV、行为预测、轨迹预测、学习式规划、端到端自动驾驶、ONNX、TensorRT、量化、蒸馏
业务类型ambiguous
工作生活
45较低
JD 未明确办公模式、远程天数、弹性工时或加班情况,也未说明具体办公地点,因此生活化动机满足程度难以判断。
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
岗位直接服务于自动驾驶规划安全性、合理性和用户出行体验提升,具有较明确的技术应用价值。JD 提到复杂道路与交互场景、长尾案例挖掘,体现出对安全与体验改善的关注。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号提升规划的安全性、合理性和用户出行体验
创新程度积极采用新技术
滴滴出行 的其他在招职位
相似职位推荐
Senior System Software Engineer - Autonomous Vehicles
英伟达 · 深圳市
AI 估算 · 4.5–7.5万3 小时前发布
自动驾驶仿真测试开发工程师(J106623)
百度 · 北京市
AI 估算 · 2.0–3.5万11 小时前发布
行车决策规划算法工程师(环境融合方向)
地平线 · 北京市
AI 估算 · 3.5–6.5万1 天前发布
研发高级总监(智驾算法与产品)-东风日产
东风汽车集团有限公司 · 广州市
AI 估算 · 6.0–10.0万2 天前发布
感知系统工程师SE(主动安全与传感器方向)
地平线 · 北京市
AI 估算 · 3.0–5.0万2 天前发布
ADAS Dynamic Light System Function Owner
奔驰 · 北京市
AI 估算 · 2.5–4.5万3 天前发布
智能辅助驾驶数据工程师
地平线 · 北京市
AI 估算 · 2.0–3.5万3 天前发布
泊车感知后处理算法工程师
地平线 · 北京市
AI 估算 · 2.5–4.5万3 天前发布
Watch Jobs