吉利汽车
智能驾驶定位算法开发岗
智能驾驶定位算法开发岗
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
3D Gaussian Splatting
3D视觉
Cuda
Nerf
Pytorch
三维重建
生成式仿真
神经渲染
自动驾驶
值不值得投
73综合评分
综合评分 73
自动驾驶前沿算法岗，技术含量与成长天花板极高，但对自驱力和工程能力要求苛刻。
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
40K
比自动驾驶中位数高
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 2020 个在招 · 其中自动驾驶 57 个
市场机会
选择面较广
杭州 · 自动驾驶 · 52 个在招
职位详情
关于这个职位
该职位专注于智能驾驶领域的高保真三维场景重建、多模态感知融合及生成式仿真技术
你将负责开发基于NeRF、3DGS等前沿算法的大规模城市级重建系统，为自动驾驶的感知训练和数据闭环提供核心算法支持与工程实现
最低要求
专业背景：计算机、人工智能或机器人相关专业，硕士及以上学历
核心技术能力：
精通多视图几何 (MVS)、结构光/飞行时间 (ToF) 原理及三维点云处理算法
深入理解神经渲染 (Neural Rendering)，有 NeRF、Instant-NGP、3DGS 或类似项目的实战经验
熟悉常用物理引擎（如 Carla, AirSim）或渲染引擎（Unreal Engine 5, Unity, NVIDIA Omniverse）
AI 功底：精通 PyTorch/JAX
熟悉 Transformer、Generative Models (Diffusion/GAN) 及其在三维表征中的应用
工程与优化：
精通 C++ 和 Python
熟悉 Ceres Solver、g2o，熟悉 CUDA/TensorRT 高性能计算，具备处理大规模分布式数据流水线的经验
工作职责
高保真场景重建：研发基于 NeRF (神经辐射场) 或 3D Gaussian Splatting (3DGS) 的大规模城市级重建算法，实现静态背景与动态物体的解耦重建
多模态融合重建：探索 LiDAR 与视觉深度融合的重建方案，利用 LiDAR 的精确几何约束提升神经渲染的深度准确性，同时利用视觉信息修复点云稀疏区域
闭环仿真与编辑：构建可编辑的虚拟场景
实现基于三维重建的生成式仿真 (Generative Simulation)，支持任意视角切换、光照变换（白天/黑夜/雨天）及交通流参与者的增删改查
感知数据合成与增强：利用生成式 AI (AIGC) 技术，将重建场景转化为无限量的感知训练样本，实现 3D Bounding Box、语义分割及 Occupancy 的自动标注，构建高效的数据闭环
工程性能优化：针对大规模重建任务，优化分布式训练与渲染效率，研究模型压缩与加速技术（如神经场景图切分），支撑万公里量级的自动化建图与仿真任务
优先资格
学术影响力：在 CVPR, ICCV, SIGGRAPH, ICRA 等顶级会议发表过 Neural Reconstruction、Large-scale SLAM、3D Vision 或 SLAM 相关论文者优先
技术栈：#NeRF #3DGS #WorldModel #AIGC #ImplicitRepresentation
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与自动驾驶与生成式AI的交叉创新，技术积累价值高
- 行业应用明确：技术成果直接赋能智能驾驶产品，成就感强
- 技术难度极高：需要同时具备顶尖的算法研究能力和扎实的系统工程能力
- 领域更新快：需要持续跟踪NeRF、3DGS、AIGC等领域的快速迭代技术
- 跨团队协作复杂：需要与感知、仿真、数据平台等多个团队紧密配合
缺点 / 挑战
- 项目挑战性强：从算法到工程的全栈任务，能极大提升解决复杂系统问题的能力
- 适合对计算机视觉、三维重建和生成式AI有深厚理论基础和热情，且不畏工程挑战、致力于将前沿技术转化为实际产品的算法研究与开发工程师
角色解读
- 技术专家路线：持续深耕三维视觉与AIGC在自动驾驶中的应用，成为算法领域的核心专家
- 技术管理路线：带领小团队负责特定模块（如重建、仿真）的技术攻关与产品化落地
- 跨领域发展：将所积累的三维场景理解与生成技术迁移至元宇宙、数字孪生、机器人等更广泛领域
- 研发基于NeRF/3DGS的大规模三维场景重建算法，为自动驾驶构建高保真虚拟环境
- 融合激光雷达与视觉数据，提升环境感知的深度精度和鲁棒性
- 构建可编辑的生成式仿真平台，用于自动驾驶的测试、验证和感知算法训练
- 利用AIGC技术自动合成海量感知训练数据，构建高效的数据闭环系统
- 精通三维计算机视觉核心理论，包括多视图几何、点云处理、神经渲染等
- 深入理解并有实践的生成式AI模型（如Diffusion/GAN）及其在3D领域应用
- 扎实的C++和Python工程能力，熟悉高性能计算（CUDA/TensorRT）和分布式系统
- 对自动驾驶感知、仿真或相关领域有浓厚兴趣和持续学习能力
申请策略
- 深入了解吉利汽车在智能驾驶领域的技术路线和产品布局
- 在面试中，能结合具体项目案例，阐述如何解决从算法原型到可落地工程系统的挑战
- 突出在NeRF/3DGS/神经渲染等具体技术领域的项目经验或研究成果
- 详细描述涉及大规模分布式训练、高性能计算（CUDA）的工程实践
- 如果有相关领域的顶级会议论文，应放在显著位置
- 强化对最新三维生成模型（如3DGS）及其优化技术的理解与实践
- 深入学习和实践自动驾驶仿真工具链（如Carla/Omniverse）
- 提升系统设计与性能优化能力，特别是针对大规模数据处理场景
面试指南
- 技术深度问题：遵循“背景-难点-方法-结果-反思”的框架，重点阐述技术选择的思考过程和对局限性的认识
- 项目经验问题：使用STAR法则，清晰说明任务背景、你的具体行动、所用技术以及最终成果和量化指标
- 系统设计问题：从需求分析、技术选型、架构设计、性能权衡到落地验证，分层阐述你的思考
- 请介绍你实现过的一个三维重建项目，如何解决动态场景或大规模场景的挑战？
- 你认为NeRF和3DGS在工程应用中的主要优缺点是什么？如何选择？
- 如何利用生成式AI技术为自动驾驶的感知模块合成有效的训练数据？
- 描述一个你设计过的高性能计算或分布式数据处理流水线，遇到了哪些性能瓶颈？如何优化的？
- 你对自动驾驶中‘世界模型’的理解是什么？它与传统仿真有何区别？
职位点评
薪资福利65
成长发展95
工作生活50
使命价值85
薪资福利
65中等
该职位未在JD中披露具体薪资和福利细节，但作为大型汽车企业的核心技术岗，市场薪酬应具有竞争力。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
95较高
该职位处于自动驾驶与生成式AI的技术前沿，涉及多项尖端技术，提供极高的技术成长空间和项目挑战。
技术前沿前沿/新兴技术
技术栈NeRF、3D Gaussian Splatting、PyTorch、CUDA、Transformer、Generative Models
业务类型profit_center
工作生活
50较低
JD未明确说明办公模式和工作强度。根据行业常规推断，该类研发岗位可能要求现场办公且存在一定工作强度，但缺乏原文依据。
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
参与前沿的自动驾驶技术研发，推动交通安全与智能化发展，具有明确的社会价值和技术创新意义。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs