博世
算法工程师（三维重建方向）_XC
算法工程师（三维重建方向）_XC
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
3D Gaussian Splatting
Cuda
Pytorch
Slam
仿真引擎
自动驾驶
值不值得投
80综合评分
综合评分 80
聚焦3DGS与神经渲染前沿技术，技术成长空间大，薪资具市场竞争力，适合致力于自动驾驶仿真与数据闭环的算法工程师。
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。
薪资怎么样
3.5万
比计算机视觉工程中位数高
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 1110 个在招 · 其中计算机视觉工程 22 个
市场机会
选择面较广
上海 · 计算机视觉工程 · 98 个在招
职位详情
关于这个职位
该职位主要负责面向自动驾驶的下一代数据与仿真引擎研发，探索3D Gaussian Splatting等前沿技术在真实道路场景重建与仿真中的应用
你将参与从路测数据重建、场景编辑到仿真引擎集成的完整链路，推动3DGS技术落地于ADAS与自动驾驶系统的数据生产与闭环评测
最低要求
硕士及以上学历，计算机科学、人工智能、电子信息、自动化、测绘、机器人等相关专业
熟悉 PyTorch / CUDA / Python / C++ 等深度学习与图形学相关开发工具
具备 3D Gaussian Splatting、NeRF、Neural Rendering、3D Reconstruction、SLAM、SfM、MVS 中至少一类相关研发经验
理解相机模型、多视图几何、三维重建、坐标变换、位姿优化、Bundle Adjustment 等基础理论
熟悉自动驾驶场景数据处理流程，能够处理相机、LiDAR、IMU、GNSS 等多传感器数据者优先
具备较强的工程落地能力，能够将算法原型转化为稳定、可规模化运行的生产链路
具备良好的问题分析能力，能够针对重建质量、动态目标、跨视角一致性、渲染伪影等问题进行系统性优化
工作职责
打造面向自动驾驶的下一代数据与仿真引擎，探索 3D Gaussian Splatting、神经渲染与生成式 AI 在真实道路场景重建、仿真视频生成与闭环评测中的落地应用
参与从真实路测数据重建、可控场景编辑、动态目标建模，到仿真引擎集成与自动驾驶算法验证的完整链路研发，推动 3DGS 技术真正服务于 ADAS / 自动驾驶系统的数据生产、场景泛化与闭环评测
设计与实现基于 3D Gaussian Splatting / Neural Rendering 的自动驾驶场景重建算法
研究大规模道路场景中的多传感器重建、相机轨迹优化、几何一致性、时序一致性与渲染质量提升方法
构建面向 LogSim / WorldSim 的 3DGS 仿真资产生产链路，支持真实道路场景的高保真复现与可控编辑
研究动态目标重建与插入、车道级场景编辑、天气 / 光照 / 材质变化等场景泛化能力
推动 3DGS 结果与仿真引擎、自动驾驶感知 / 规划系统集成，实现从重建、渲染到闭环评测的数据闭环
优化 3DGS 训练、渲染与推理效率，支持大规模场景生产与工程化部署
与感知、规划、仿真、数据生产团队协作，将重建与生成式仿真数据用于算法训练、验证与性能评估
优先资格
熟悉 3DGS、Street Gaussian、PVG、EmerNeRF、UniSim、DriveDreamer、Cosmos、World Model 等相关方向
有自动驾驶仿真、LogSim、WorldSim、闭环仿真、SIL / HIL、Unreal Engine、Omniverse、Isaac Sim 等项目经验
有道路场景重建、城市级重建、动态场景重建、可编辑仿真资产生产经验
熟悉 CUDA 加速、实时渲染、分布式训练、模型压缩与推理优化
参与过开源项目，或在 CVPR / ICCV / ECCV / NeurIPS / ICLR / ICRA / IROS / SIGGRAPH 等会议发表论文
具备自动驾驶感知、BEV、Occupancy、4D Label、数据闭环、corner case 生成等相关经验
AI 洞察
优缺点分析
优点
- 技术栈极具前瞻性，聚焦3D Gaussian Splatting、NeRF等当前计算机视觉与图形学最热门的前沿方向
- 业务场景明确且价值高，直接服务于自动驾驶数据生产与闭环评测，技术落地反馈链路短
- 依托头部跨国企业平台，能接触到大规模真实路测数据与完整的自动驾驶系统验证平台
- 需要跨学科知识储备，既要懂底层视觉算法，又要熟悉自动驾驶仿真引擎与多传感器数据处理
- 适合具备扎实三维重建基础，对自动驾驶仿真与生成式AI有浓厚兴趣，且具备较强工程落地能力的算法工程师
缺点 / 挑战
- DGS与神经渲染在大规模动态场景中的工程化部署和渲染效率优化仍具较高技术难度
角色解读
- 在自动驾驶与生成式AI交叉领域深耕，成为3DGS与神经渲染方向的算法专家
- 向自动驾驶仿真引擎架构师或数据闭环技术负责人方向发展，主导下一代仿真数据生产体系
- 研发面向自动驾驶的下一代数据与仿真引擎，探索3D Gaussian Splatting等前沿技术在真实道路场景重建中的应用
- 参与从路测数据重建、场景编辑到仿真引擎集成的完整链路，推动3DGS技术落地于ADAS与自动驾驶系统的数据生产与闭环评测
- 优化3DGS训练、渲染与推理效率，与感知、规划等团队协作，实现从重建、渲染到闭环评测的数据闭环
- 扎实的计算机视觉与图形学基础，精通PyTorch/CUDA/Python/C++等开发工具
- 具备3D Gaussian Splatting、NeRF、Neural Rendering或SLAM/SfM等三维重建相关研发经验
- 理解多视图几何、相机模型等基础理论，具备将算法原型转化为工程化生产链路的落地能力
申请策略
- 在简历或面试中展现对自动驾驶数据闭环（Data Closed-loop）和Corner Case生成的系统性思考
- 重点突出在3D Gaussian Splatting、NeRF或传统三维重建（SfM/SLAM）方向的项目经验与论文成果
- 展示将算法原型转化为可规模化运行的生产链路的工程落地能力，特别是CUDA加速或渲染优化经验
- 强调对自动驾驶场景数据处理（如多传感器融合、相机轨迹优化）的理解与实际操作经验
- 深入学习3DGS及其变体（如Street Gaussian）在自动驾驶场景中的最新论文与开源实现
- 熟悉Unreal Engine、Omniverse或Isaac Sim等主流仿真引擎的集成与资产导入流程
面试指南
- 采用STAR法则，结合具体项目背景，详细说明问题定义、算法选型、优化策略及最终量化指标
- 对于工程落地问题，从算法复杂度分析、CUDA并行优化、模型压缩及系统级缓存等维度展开回答
- 请详细介绍你在3D Gaussian Splatting或NeRF项目中的核心贡献，以及如何解决渲染伪影或跨视角一致性问题？
- 在大规模道路场景中，如何优化3DGS的训练与推理效率以满足工程化部署需求？
- 如何将3DGS重建结果与自动驾驶仿真引擎（如LogSim/WorldSim）进行有效集成？
- 针对动态目标重建与插入，你有哪些具体的算法设计思路或实践经验？
- 复习多视图几何、相机模型及Bundle Adjustment等底层理论，准备应对基础原理的深度拷问
- 了解博世在自动驾驶仿真与数据闭环方面的业务布局，思考3DGS技术如何具体赋能其现有业务
职位点评
薪资福利75
成长发展90
工作生活70
使命价值85
薪资福利
75中等
博世作为知名跨国企业，提供具有市场竞争力的薪酬福利体系，薪资水平处于行业中上游，整体物质回报稳定且有保障。
薪资信号市场水准 (2.5千–4.5万/月)
成长发展
90较高
岗位聚焦3D Gaussian Splatting、神经渲染等前沿技术，且直接应用于自动驾驶核心链路，技术成长空间与行业前景极佳。
技术前沿前沿/新兴技术
技术栈3D Gaussian Splatting、Neural Rendering、PyTorch、CUDA、NeRF、SLAM、SfM
业务类型ambiguous
工作生活
70中等
跨国企业通常注重工作生活平衡，但JD中未明确提及弹性工作制或加班情况，具体WLB需视团队实际项目节奏而定。
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
85较高
致力于推动自动驾驶技术落地与下一代仿真引擎建设，工作成果对提升自动驾驶安全性与泛化能力具有显著的社会价值。
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