哈啰出行
感知算法工程师（模型部署集成）-【自动驾驶】
感知算法工程师（模型部署集成）-【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
中级经验
全职员工
仅现场办公
本科
PyTorch
自动驾驶
模型优化
TensorRT
ONNX
ROS2
嵌入式部署
Nvidia Orin
AI 估算 · 25k–45k
自动驾驶感知部署岗位技术门槛高，市场需求旺盛，哈啰出行作为超大型企业薪资有竞争力。
职位详情
关于这个职位
该职位负责自动驾驶感知模型在嵌入式终端的部署、测试与集成，涉及模型转换、算子开发、ROS2集成等
需要与算法、系统团队协作，推动模型在多芯片平台高效运行
适合有嵌入式AI部署经验、熟悉TensorRT/PyTorch的工程师
最低要求
计算机、自动化、电子工程等相关专业本科及以上学历，2年以上嵌入式AI模型部署、集成或测试经验
熟练掌握Python、C/C++编程，熟悉主流深度学习框架（如PyTorch/ONNX/TensorRT等）
有ROS2开发经验，能够进行节点集成、系统调试与部署验证
熟悉自动化测试、性能测试流程，有自动化CI/CD、端云协同部署与OTA升级经验优先
具备算子开发、优化和集成经验，能针对硬件平台（如CUDA、DSP等）进行底层算子适配
有NVIDIA Orin、Thor、TI TDA4、J5/J6、高通等芯片的模型部署/集成经验优先
有目标检测（OD）、占用网络（OCC）、车道线（Lane）、交通灯（TFL）、交通标志（TFS）、E2E等感知模型部署经验者优先
具备良好的沟通能力、团队协作能力及主动学习能力
工作职责
负责自动驾驶/智能驾驶相关感知模型在嵌入式终端的部署测试、性能验证和集成落地
参与模型从训练到推理的全流程部署测试，包括模型转换、自动化部署、集成验证与功能/性能测试
负责定制和开发高效算子，适配NVIDIA Orin、Thor等芯片平台，满足自动驾驶场景下的性能需求
参与ROS2及自动驾驶中间件（如Thor平台）相关的模型部署、节点集成与系统调试
负责编写部署测试方案、自动化测试脚本与相关技术文档，推动部署流程标准化
与算法、系统、软件团队密切协作，推动模型及算子在多芯片、多平台上的高效集成
优先资格
加分项 - 有实际量产项目部署测试经验，或参与过自动驾驶感知系统的端到端上线
熟悉异构计算平台、多芯片协同调度、模型自动化部署工具链
具备一定算法背景，了解模型结构、剪枝、量化、蒸馏等优化方法
英语良好，能阅读、撰写技术文档
AI 洞察
优缺点分析
- 自动驾驶是高速增长赛道，技术积累有长期价值，薪资前景好
- 哈啰出行作为超大型企业，平台资源丰富，可接触量产级项目
- 技能复合度高，融合算法、工程和硬件，不易被替代
- 嵌入式部署面临严格的性能、功耗和实时性要求，调试难度大
- 技术迭代快，需要持续学习新芯片和新框架
- 自动驾驶量产压力大，项目周期紧，加班可能较多
- 适合热衷于底层优化、享受从算法到硬件的全链路落地、且抗压能力强的工程师
角色解读
- 技术深耕：成为模型部署和嵌入式AI领域的专家，主导多芯片平台方案架构设计
- 横向扩展：转向算法开发或系统架构，掌握全栈自动驾驶技术
- 管理路线：带领部署团队，负责量产项目交付和团队建设
- 将训练好的感知模型（如目标检测、车道线识别）转换并部署到NVIDIA Orin等嵌入式芯片上，确保性能达标
- 开发高效算子，针对硬件平台进行底层优化，提升模型推理速度和效率
- 集成ROS2中间件，进行节点调试和系统联调，确保模型在自动驾驶系统中稳定运行
- 编写自动化测试脚本和部署文档，推动部署流程标准化和CI/CD落地
- 扎实的C/C++和Python编程能力，熟悉PyTorch、TensorRT、ONNX等框架
- 有ROS2开发经验，能进行系统集成和调试
- 了解GPU编程和算子开发，有CUDA或DSP优化经验者优先
- 熟悉嵌入式AI部署流程，包括模型量化、剪枝、蒸馏等优化方法
申请策略
- 提前研究哈啰出行的自动驾驶技术路线，关注其智能车业务动向
- 准备一个完整的技术方案，展示从模型到部署的思考过程
- 突出模型部署项目经验，特别是量产或接近量产的项目，量化性能提升指标
- 展示ROS2开发案例，如节点通信、延迟优化等
- 强调对NVIDIA Orin或类似芯片的适配经验，列出具体算子优化成果
- 深入学习TensorRT和模型量化工具（如TensorRT-LLM、OpenCV）
- 补充C++11/14新特性及性能调优知识，了解多线程编程
面试指南
- 使用STAR法则：描述场景、目标、行动、结果，突出量化成果
- 对于优化问题，先定位瓶颈（计算/内存/IO），再针对性采用算子融合、内存复用、并行计算等手段
- 如何将PyTorch模型部署到NVIDIA Orin上？请描述流程及优化技巧
- ROS2中如何实现节点间高效通信？举一个你优化过的例子
- 模型量化时如何平衡精度和速度？你常用哪些方法？
- 如果模型在嵌入式设备上推理延迟不达标，你会如何排查和优化？
- 谈谈你对自动驾驶感知系统安全性的理解，部署时有哪些特别注意？
- 熟悉LLM部署相关工具链，如TensorRT-LLM
匹配度报告
66
综合匹配度
自动驾驶感知部署岗，技术前沿、薪资高，但加班风险大、WLB一般。
适合人群
最适合追求技术成长、愿意接受高强度挑战以换取薪资和职业发展的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展85
工作生活40
使命价值65
薪资福利匹配
75中等
该职位提供市场水准偏高的薪资，但JD未明确福利细节，补偿性动机满足较好。
薪资信号偏高 (25K-45K/月)
成长发展匹配
85较高
技术栈前沿（自动驾驶、NVIDIA Orin、TensorRT），涉及量产部署，技能成长空间大。但JD未明确晋升路径。
技术前沿前沿/新兴技术
技术栈Python、C/C++、PyTorch、ONNX、TensorRT、ROS2、NVIDIA Orin、CUDA、DSP
业务类型profit_center
工作生活匹配
40较低
仅现场办公，自动驾驶项目通常节奏快，JD未提WLB，生活方式动机满足度低。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
65中等
自动驾驶行业具有社会影响力，但JD未强调使命愿景，意义感动机中等。
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