英伟达
NVIDIA 2027 New College Graduate: Autonomous Vehicles and Robotics - China
NVIDIA 2027 New College Graduate: Autonomous Vehicles and Robotics - China
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器人开发
机器人开发
Cuda
Pytorch
Ros
Sim-To-Real
具身智能
深度学习
自动驾驶
值不值得投
83综合评分
综合评分 83
顶尖硬科技平台、前沿技术栈密集、校招培养资源优厚，WLB未明确但符合互联网研发常态
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，方便比较职业起点。
薪资怎么样
3.3万
比机器人开发中位数高
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 480 个在招 · 其中机器人开发 6 个
市场机会
选择面较广
上海 · 机器人开发 · 约 120 个在招
职位详情
关于这个职位
面向2027届应届生的校园招聘项目，聚焦自动驾驶与机器人领域
主要职责包括开发路径生成深度神经网络、构建高保真仿真训练基础设施、部署具身AI系统，并完成从仿真到实物的算法迁移与实地测试验证
最低要求
预计于2027年毕业，拥有电气工程、计算机工程或相关领域的学士、硕士或博士学位
掌握C、C++、CUDA、ROS、Python、OpenGL、Linux等编程语言与技术
熟悉传感器输入设备（激光雷达、摄像头、雷达）及训练框架（TensorFlow、Keras、PyTorch）
工作职责
自动驾驶方向：开发和训练用于路径生成的最新深度神经网络
使用模拟器/健身房收集训练数据集和实时推理运行时间，并进行车载测试
具身AI方向：利用NVIDIA Isaac、Omniverse和Cosmos构建和部署全栈具身AI系统，实现灵巧操作、全身控制和传感器化的人机交互，弥合工业与日常环境中的仿真与现实部署差距
仿真方向：在Isaac Sim和Isaac Lab上构建和扩展核心仿真与训练基础设施，结合高保真物理和GPU计算，加速下一代人形机器人的仿真到实物迁移
部署方向：将前沿的物理AI集成到英伟达人形机器人参考平台中，通过全栈感知、决策和控制管道弥合仿真与现实部署的差距，与机器人、系统和AI团队协作解决系统工程挑战，在工业和日常应用中交付可靠性能
优先资格
针对机器人方向，具备机器人仿真平台（Isaac Sim/Lab、MuJoCo、Gazebo）和深度学习框架（PyTorch、TensorFlow）的实操经验
在仿真到实物（sim-to-real）及实物到仿真（real-to-sim）迁移方面拥有成功的项目记录
AI 洞察
优缺点分析
优点
- 依托英伟达顶级算力生态与开源工具链（Isaac/Omniverse），接触行业最前沿的具身智能与自动驾驶技术
- 校招培养体系完善，直接参与核心产品线研发，职业起点极高
- 技术门槛极高，需同时兼顾底层系统优化与上层AI模型训练，学习曲线陡峭
- 跨学科知识要求广博，需快速适应高频迭代的前沿研究节奏
- 适合对机器人学、自动驾驶有浓厚兴趣，具备扎实数理基础与强自驱力，渴望在硬科技领域深耕的应届硕博毕业生
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向自动驾驶算法专家或具身智能系统架构师方向发展，深耕物理AI与大规模分布式训练
- 未来可晋升为技术负责人，主导跨部门核心算法落地与产品化进程
- 负责自动驾驶路径规划算法的开发与训练，以及机器人具身AI系统的全栈开发与部署
- 搭建高保真仿真环境，进行传感器数据处理与实时推理优化
- 主导仿真到实物（Sim-to-Real）的算法迁移与车载/机器人实地测试验证
- 精通C/C++、Python及CUDA并行编程，熟练掌握ROS通信框架与Linux系统开发
- 深入理解深度学习框架（PyTorch/TensorFlow）及主流机器人仿真平台（Isaac/Gazebo）
- 具备扎实的计算机视觉、控制理论及多传感器融合基础
申请策略
- 关注英伟达开发者大会动态，了解Omniverse与Cosmos最新进展
- 面试前梳理个人项目中遇到的极端Corner Case及解决方案，展现工程落地思维
- 突出机器人/自动驾驶相关竞赛奖项或顶会论文，详细展示Sim-to-Real迁移项目的完整链路（数据->仿真->部署->实测）
- 量化算法性能提升指标与系统优化成果
- 强化C++高性能编程与CUDA内核优化能力，熟悉ROS2架构与多传感器标定流程
- 提前动手跑通Isaac Sim基础案例，积累实际调试经验
面试指南
- 采用STAR法则结构化回答项目经历，重点突出“问题定义-方案设计-实验验证-结果复盘”闭环
- 技术题先讲清数学/物理底层逻辑，再结合代码实现细节，最后补充边界条件与性能优化考量
- 请详细描述你做过的一次Sim-to-Real迁移项目，遇到了哪些域随机化问题？如何解决的？
- C++中如何实现多线程下的传感器数据流处理？如何保证低延迟与内存安全？
- 请推导一下PID控制器或卡尔曼滤波的基本原理，并说明在实际系统中的调参策略
- 针对给定的路径规划场景，你会如何设计神经网络的损失函数以平衡精度与泛化能力？
- 复习《机器人学导论》《SLAM十四讲》等经典教材核心章节
- 准备1-2个完整的端到端项目Demo，确保能清晰讲解架构图、数据流向与调参过程
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
薪资福利对标一线大厂校招标准，整体补偿性动机满足度较高。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
95较高
提供接触行业顶尖AI芯片与仿真平台的稀缺机会，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈CUDA、Isaac Sim、Omniverse、PyTorch、ROS、Sim-to-Real
业务类型profit_center
工作生活
60中等
未明确提及弹性工作制，但作为头部科技企业通常具备一定灵活性。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
致力于推动具身智能与自动驾驶技术落地，具有显著的社会价值与行业变革意义。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号transforming the world's largest industries、life-saving healthcare、climate change
创新程度开拓性创新（行业首创）
英伟达 的其他在招职位
相似职位推荐
Watch Jobs