哈啰出行
【英才2026】感知算法（静态）-造父·Robotaxi
【英才2026】感知算法（静态）-造父·Robotaxi
发布于 1 天前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
硕士
PyTorch
车道线检测
高精地图
语义分割
Bev感知
3D目标检测
端到端自动驾驶
占用网格预测
AI 估算 · 20k–30k
上海AI算法岗，公司背景好，技术前沿，薪资竞争力强。
职位详情
关于这个职位
该职位是哈啰出行旗下造父Robotaxi团队的静态感知算法岗位，主要负责智能驾驶中静态环境感知算法的开发与落地，包括在线高精地图构建、道路结构解析、静态障碍物检测等，同时参与无图化智驾模型的研发
你将接触到BEV感知、占用网格预测、端到端自动驾驶等前沿技术，适合对自动驾驶充满热情、具备扎实深度学习基础的2026届硕士毕业生
最低要求
届硕士及以上学历，计算机科学、软件工程、自动化、模式识别、电子信息、车辆工程等相关专业
扎实的深度学习基础，熟悉 CNN、Transformer、BEV 感知等主流模型架构及其核心算子
熟练掌握 Python 编程，熟悉 PyTorch 框架，具备独立完成模型训练与调试的能力
熟悉 Linux 开发环境，了解基本的 C/C++ 编程
良好的英文文献阅读能力，能够快速理解并复现前沿论文方法
踏实靠谱，具备良好的沟通协作能力和自驱力
工作职责
负责智能驾驶静态环境感知算法的开发与落地，涵盖在线高精地图构建、道路结构解析、静态障碍物检测等方向，保障自动驾驶系统对行驶环境的精准理解
同步参与无图化智驾模型的开发工作
岗位职责：静态感知算法开发：负责在线高精地图构建（HD Map）、车道线检测、路沿/道路边界检测、地面标识识别等静态感知任务的模型开发与优化
无图化智驾模型开发：参与无高精地图依赖的感知方案开发，完成"真无图"场景下静态环境理解模型的设计、训练与迭代
前沿技术跟踪与验证：跟踪 BEV 感知、矢量化地图构建、占用网格预测（Occ）、端到端 VLA/世界模型等前沿方向，在公司自有数据集上完成适配验证与选型
模型训练与调优：完成数据方案制定、训练 Pipeline 搭建、模型结构设计、Loss 函数优化及超参调优，持续提升模型精度与鲁棒性
问题定位与迭代：针对路测与仿真中的 Bad Case，快速定位问题根因，设计并实施模型改进方案
优先资格
在 nuScenes、Argoverse2、OpenLane、KITTI 等公开数据集上有模型开发或 Benchmark 经验
有 BEV 感知、在线地图构建、语义分割、3D 目标检测、占用网格预测等相关研究或项目经历
对端到端自动驾驶（UniAD/VAD/GenAD 等）或世界模型（GAIA/DriveDreamer 等）有研究或实践经验
有无图化导航、视觉定位（Visual Localization）、场景理解等相关经验
在 CVPR、ECCV、ICCV、NeurIPS、ICRA、RA-L 等顶会/期刊发表论文
有自动驾驶公司或相关实验室的实习/项目经历
AI 洞察
优缺点分析
- 公司平台大（哈啰出行超大型企业），资源丰富，项目落地机会多
- 技术前沿，涉及BEV、Occ、无图化等自动驾驶核心热点
- 自动驾驶行业高速增长，积累经验后职业前景广阔
- 技术难度高，需要持续学习最新论文和模型架构
- 工作强度可能较大，算法迭代周期快
- 竞争激烈，需有扎实的学术或项目背景才能脱颖而出
- 适合对自动驾驶充满热情、有扎实深度学习基础、愿意挑战前沿技术的2026届硕士毕业生
角色解读
- 在自动驾驶感知领域深入，成为算法专家，主导核心技术突破
- 向端到端自动驾驶、世界模型等前沿方向拓展，参与行业创新
- 在公司内可晋升为技术骨干或技术管理，带领团队攻关
- 开发在线高精地图构建算法，包括车道线、路沿等静态要素的检测与识别
- 设计无图化感知模型，实现不依赖高精地图的静态环境理解
- 跟踪BEV感知、占用网格预测、端到端自动驾驶等前沿技术，并在自有数据集验证
- 训练调优模型，针对路测bad case快速定位并改进
- 扎实的深度学习基础，熟悉CNN、Transformer、BEV等主流架构
- 熟练使用Python和PyTorch框架，能独立完成模型训练与调优
- 了解C/C++和Linux开发环境，具备良好的工程能力
- 有公开数据集（如nuScenes）或相关项目经验优先
申请策略
- 关注哈啰出行造父Robotaxi的技术动态和产品进展，在面试中展现对业务的思考
- 准备一个完整的技术项目案例，从问题定义、方案设计到实验验证，清晰表达
- 突出相关项目或论文经历，尤其是BEV感知、在线地图构建等方向
- 强调深度学习框架使用经验（PyTorch）和模型调优能力
- 列出在公开数据集上的成绩或开源贡献
- 展示对自动驾驶领域的热情，如参与自动驾驶竞赛或相关实习
- 提前熟悉nuScenes、OpenLane等数据集，并跑通一个baseline模型
- 阅读最近顶会关于BEV感知、Occ的最新论文，尝试复现核心方法
面试指南
- 先概述核心原理，再结合具体项目经验，最后总结优化思路
- 针对设计题，从数据、模型、loss三个层面分析，给出合理方案
- 案例题遵循STAR原则：情境、任务、行动、结果
- 请解释BEV感知的原理及其在自动驾驶中的优势
- 设计一个在线高精地图构建的损失函数，你会如何考虑？
- 如何处理占用网格预测中动态障碍物的干扰？
- 描述一次你从bad case出发改进模型性能的经历
- 对端到端自动驾驶（如UniAD）有何理解？优缺点？
匹配度报告
72
综合匹配度
前沿技术导向的自动驾驶算法岗，发展空间大但工作强度可能较高。
适合人群
适合重视技术成长、愿意投入时间学习前沿技术、对自动驾驶有热情的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活50
使命价值80
薪资福利匹配
70中等
薪资未明确披露，但公司为超大型企业且技术岗位，推测有竞争力，但缺乏明确福利信息。
薪资信号未披露 (20K-30K/月)
成长发展匹配
90较高
技术栈前沿（BEV、Occ、端到端等），公司核心业务，成长空间大，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈BEV感知、Transformer、高精地图、占用网格预测、端到端自动驾驶、世界模型、PyTorch、Python、C++、Linux
业务类型profit_center
工作生活匹配
50较低
工作地点仅现场办公，未提及弹性或远程，行业默认加班较多。
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
自动驾驶属于高速增长赛道，技术创新性强，但社会影响力中性。
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