哈啰出行
【量天尺】建图定位算法-上海
【量天尺】建图定位算法-上海
发布于 大约 17 小时前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
博士
深度学习
PyTorch
GNSS
非线性优化
ROS
多传感器融合
SLAM
卡尔曼滤波
Lidar
IMU
AI 估算 · 25k–45k
核心算法岗，技能稀缺，市场竞争力强，薪资较高。
职位详情
关于这个职位
该职位是哈啰出行面向L4自动驾驶的行泊车场景，研发高精度定位与建图算法
你将参与多传感器融合、SLAM、深度学习等前沿技术，解决cornercase问题
适合博士/硕士应届生，要求顶会论文或竞赛经历，技术挑战大，平台好
最低要求
计算机/机器人/自动化等相关专业硕士及以上学历
熟练掌握 C++ 编程，精通 PyTorch等主流深度学习框架，熟悉 ROS 框架及 Linux 开发环境
熟练掌握多视几何、图优化等算法,深入理解 LIO-SAM、LIO-Mapping、VINS-Mono 等主流 SLAM 框架，熟悉其源码实现逻辑与优化方法
熟悉多传感器融合（激光雷达/摄像头/IMU）的三维重建技术(如NeRF、3DGS),有基于nerf/3D高斯场景重建的经验者优先
精通卡尔曼滤波（Kalman Filter）、非线性优化等理论，具备多传感器融合算法的设计与开发经验
熟悉深度学习在 SLAM 领域的应用（如语义 SLAM、动态物体处理、端到端定位等），具备相关项目经验者优先
沟通能力良好，具有强烈的责任心和团队合作精神
工作职责
面向L4业务的行泊车场景，开发高精度、高可靠性的定位与建图算法，包括但不限于在高精场景，轻图场景，端到端场景下解决相关cornercase问题
针对车载计算平台特性，优化算法性能与资源占用，提升系统实时性与鲁棒性
参与多传感器（GNSS/LiDAR/IMU/轮速/视觉等）融合定位和建图算法设计和迭代优化
参与在线语义地图构建、数据挖掘、云端模型、4dlabel等算法研发
参与基于GNSS， IMU等传感器多场景下的实时车道级绑路、偏航算法，基于深度学习的地图匹配，航位推算等算法研发
负责激光、视觉以及语义信息的三维重建、SLAM算法研发
支撑众包地图产线研发和量产落地，提升众包建图有效率
优先资格
有基于nerf/3D高斯场景重建的经验者优先
熟悉深度学习在 SLAM 领域的应用（如语义 SLAM、动态物体处理、端到端定位等），具备相关项目经验者优先
AI 洞察
优缺点分析
- 深度参与L4自动驾驶核心算法，技术前沿且有量产落地机会
- 哈啰出行平台大，数据场景丰富，有利于积累实战经验
- 团队技术氛围浓厚，鼓励学术创新和顶会发表
- 薪资待遇优厚，尤其是对博士/硕士应届生
- 技术难度高，需要扎实的数学和编程功底，学习曲线陡峭
- 工作强度可能较大，需要快速响应cornercase和量产问题
- 竞争激烈，同批实习生和校招生优秀者众多
- 适合对自动驾驶定位建图有浓厚兴趣、具备扎实SLAM和深度学习基础、渴望挑战前沿技术的博士/硕士应届生
角色解读
- 从算法工程师成长为自动驾驶定位建图方向的技术专家
- 可横向扩展至感知、规划、控制等其他自动驾驶模块
- 有机会晋升为技术负责人或项目核心骨干，带领团队攻克难题
- 开发面向L4行泊车场景的高精度定位与建图算法，解决cornercase问题
- 参与多传感器（GNSS/LiDAR/IMU/视觉等）融合定位和建图算法设计与优化
- 负责语义地图构建、三维重建、SLAM算法研发，支撑众包地图产线量产
- 优化算法在车载平台上的实时性与鲁棒性，提升系统性能
- 精通C++和PyTorch，熟悉ROS及Linux开发环境
- 深入理解主流SLAM框架（如LIO-SAM、VINS-Mono），掌握多视几何和图优化
- 熟悉多传感器融合算法，精通卡尔曼滤波和非线性优化
- 具备深度学习在SLAM领域的应用经验，如语义SLAM、端到端定位
申请策略
- 了解哈啰出行业务和自动驾驶布局，面试时体现对公司技术的热情
- 准备一个技术演讲，展示你最有亮点的研究或项目
- 突出顶会论文（如CVPR、ICCV、NeurIPS）或相关竞赛成绩（如RoboMaster、Kaggle）
- 重点描述SLAM相关项目经验，包括算法改进和实际效果
- 展示C++和PyTorch编程能力，附上GitHub链接或代码片段
- 强调多传感器融合或三维重建（NeRF/3DGS）的实践经验
- 深入复习多视几何、图优化、卡尔曼滤波等理论基础
- 动手复现主流SLAM框架（如LIO-SAM、VINS-Mono）并理解源码
面试指南
- 对于SLAM算法题：先明确问题，然后从原理到实现逐步分析，结合数学公式和代码细节
- 对于项目经验题：用STAR法则（情境-任务-行动-结果）清晰描述，重点突出你的贡献和量化效果
- 对于开放性问题：先阐述自己的思考框架，再举例说明，最后总结关键点
- 请解释LIO-SAM中因子图优化的具体实现
- 多传感器融合中如何处理时间戳对齐和外参标定？
- 在动态场景下，SLAM系统如何避免定位漂移？
- 描述一次你解决SLAM中cornercase问题的经历
- NeRF和传统几何重建相比有哪些优缺点？
匹配度报告
75
综合匹配度
前沿技术栈、高成长性、薪资优厚，但工作强度和竞争压力较大。
适合人群
最适合发展性动机强烈、渴望技术成长与挑战的求职者，愿意投入高强度工作换取前沿技能积累。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值80
薪资福利匹配
85较高
薪资水平较高，作为校招算法岗，哈啰出行提供有竞争力的薪酬，但未在JD中明确福利，整体补偿性较强。
薪资信号未披露 (25K-45K/月)
成长发展匹配
95较高
技术前沿（L4自动驾驶、SLAM、NeRF等），项目有量产落地机会，对博士/硕士应届生是极好的成长平台。
技术前沿前沿/新兴技术
技术栈SLAM、多传感器融合、NeRF、3DGS、深度学习、卡尔曼滤波、非线性优化、PyTorch、ROS、C++
业务类型profit_center
工作生活匹配
40较低
JD未提及工作模式与加班情况，但互联网自动驾驶企业通常工作强度较大，且上海办公室可能位于科技园，生活化动机较弱。
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
80较高
自动驾驶行业是高速增长赛道，对社会交通效率和安全有积极影响，技术创新性强，意义感较强。
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