DiDi logo
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
Watch Jobs