哈啰出行
预测及端到端算法工程师/专家-【自动驾驶】
预测及端到端算法工程师/专家-【自动驾驶】
发布于 大约 17 小时前普通员工/个人贡献者
上海市 / 广州市
中级经验
全职员工
仅现场办公
本科
深度学习
强化学习
自动驾驶
Uniad
Qcnet
Vectornet
Densetnt
AI 估算 · 30k–50k
自动驾驶算法工程师薪资水平高，一线城市经验要求2年，端到端模型稀缺，预估月薪3-5万。
职位详情
关于这个职位
该职位负责自动驾驶预测与端到端模型的研发和部署，涉及模型选型、训练、优化及在车端SoC上落地
你将参与数据标注与评测流程，利用深度学习、强化学习、数据增广等技术提升模型在复杂场景下的效果和泛化能力
适合有2年以上经验、熟悉主流预测/端到端模型（如VectorNet、UniAD）的算法工程师
最低要求
本科及以上学历，专业方向包括计算机、软件、自动化、模式识别等理工科，工作经验不小于2年
具备较强的编程能力，精通Python及C++语言，熟悉Docker容器化部署，有良好的编程习惯和标准化的代码风格
熟悉模型开发的基础流程体系，有样本生成、数据挖掘、模型训练、量化部署等全流程体系的开发经验
熟悉VectorNet、DenseTNT、QCNet等主流的预测/端到端模型，至少有1-2个预测/端到端模型的全流程开发及部署经验
掌握UniAD等主流的端到端模型框架，熟悉端到端自动驾驶算法最前沿的动态
工作职责
预测及端到端模型的选型、设计、训练和优化，并在车端SoC上部署，达到效率和一致性等要求
构建数据标注和评测流程，与工具链部门共同实现目标数据的挖掘及清洗，并基于模型表现对数据进行调整、配比等操作
运用深度学习、强化学习等技术，优化模型结构等，提高模型在复杂场景下的效果
利用数据增广、迁移学习和对比学习等方法，提升数据利用效率，优化模型泛化能力
优先资格
具备数据驱动算法的研发能力，有预测/端到端模型算法的开发和优化经验
熟悉端到端训练框架和联合训练
熟悉主流的VLM/LLM模型，有用新技术在端到端大模型中的应用落地经验
踏实靠谱，具备良好的团队内及跨团队沟通能力
AI 洞察
优缺点分析
- 掌握自动驾驶最前沿的端到端模型技术，技能稀缺性强，职业含金量高
- 公司平台大（哈啰出行），业务场景实际，研发成果能快速落地车端
- 涉及深度学习、强化学习、数据引擎等多技术栈，个人成长空间大
- 行业处于高速增长期，未来跳槽或晋升机会多
- 自动驾驶算法对精度和实时性要求极高，面临复杂场景调优和车端算力限制的挑战
- 工作需要多部门协作（工具链、标注、硬件），沟通成本较高
- 技术迭代快，需持续学习最新模型框架和部署工具，保持竞争力
- 适合有2年以上算法开发经验、对自动驾驶技术充满热情、愿意深入端到端模型并攻克工程落地难题的工程师
角色解读
- 技术深度：从模型开发到车端部署全栈经验，进阶为自动驾驶算法专家
- 行业广度：积累自动驾驶感知、预测、规划等核心领域知识，可转向系统架构或技术管理
- 交叉创新：结合VLM/LLM与端到端大模型，探索新一代自动驾驶方案，成为行业领军人
- 负责预测和端到端模型的选型、设计、训练与优化，并在车端SoC上完成高效部署
- 构建数据标注和评测闭环，与工具链团队协作挖掘清洗目标数据，并基于模型表现调整数据配比
- 运用深度学习、强化学习、数据增广等技术持续提升模型在复杂场景下的效果和泛化能力
- 精通Python和C++编程，具备Docker容器化部署和标准化代码风格
- 深入理解模型开发全流程：样本生成、数据挖掘、训练量化部署
- 熟悉VectorNet、DenseTNT、QCNet、UniAD等主流预测/端到端模型框架
- 具备数据驱动算法研发能力，有端到端自动驾驶或VLM/LLM应用经验优先
申请策略
- 面试前深入了解哈啰出行自动驾驶业务方向和产品形态，展现对公司的诚意和匹配度
- 准备一个完整项目案例，从数据构建到模型部署的全流程讲解，突出你的系统思考能力
- 突出你独立负责或深度参与的预测/端到端项目，说明模型选型、训练、部署的具体成果和量化指标
- 强调Python和C++的编程能力，展示Docker、流水线等工程化经验
- 列出你熟悉的模型框架（VectorNet、UniAD等），以及数据挖掘、增广等实际应用案例
- 如有VLM/LLM或端到端大模型落地经验，务必单独模块突出
- 若缺乏端到端模型实战，可学习UniAD源码并复现简单端到端驾驶场景
- 加强C++性能优化和SoC部署知识，熟悉TensorRT、ONNX等工具
面试指南
- 用STAR法则（情境-任务-行动-结果）组织项目经历，强调技术难点和你的解决方案
- 对比不同模型时，从场景适用性、计算效率、可扩展性等多维度分析
- 部署问题回答要体现工程思维：分析瓶颈→实验验证→迭代优化→效果量化
- 请详细描述你参与过的一个预测或端到端项目，包括模型选型、数据处理、训练策略和部署优化
- 如何解决自动驾驶中多目标预测的交互问题？对比DenseTNT和QCNet的优缺点
- 端到端模型UniAD的架构设计目标是什么？相比传统级联方案有什么优势和挑战？
- 在车端SoC上部署模型时，有哪些量化、剪枝或压缩技术可用？如何保证实时性与精度平衡？
- 数据驱动算法如何提升模型泛化能力？请结合实际案例说明数据配比和增广策略
匹配度报告
66
综合匹配度
自动驾驶端到端算法岗位，技术前沿但工作强度可能大，适合技术极客。
适合人群
该职位最适合追求技术前沿、渴望快速成长、愿意投入高强度学习与工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展90
工作生活30
使命价值80
薪资福利匹配
65中等
薪资未明确披露，但自动驾驶算法薪资水平较高，福利信息缺失，补偿性动机满足程度中等。
薪资信号未披露 (30K-50K/月)
成长发展匹配
90较高
职位涉及前沿的端到端自动驾驶技术，要求掌握多种先进模型和深度学习技术，个人技能成长空间极大，发展性动机满足程度高。
技术前沿前沿/新兴技术
技术栈深度学习、强化学习、Python、C++、Docker、VectorNet、DenseTNT、QCNet、UniAD、VLM、LLM、端到端自动驾驶
业务类型profit_center
工作生活匹配
30较低
职位为仅现场办公，未提及任何WLB相关福利，工作地点在一线城市但无灵活性，生活化动机满足程度低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
80较高
自动驾驶是高速增长赛道，技术创新性强，虽未明确社会使命，但推动智能出行具有积极意义，意义感动机满足程度较高。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs