職責描述： 1. 協助研發基於強化學習（RL）或模仿學習（IL）的自動駕駛決策規劃算法，解決複雜交通場景下的車輛行為決策與運動規劃問題
； 2. 參與構建和優化用於訓練決策模型的數據處理流程
，包括特征工程
、場景提取、獎勵函數設計及大規模數據集處理； 3. 負責或參與相關算法的仿真測試、實車調試
、性能評估與迭代優化
，推動算法在真實環境中的性能提升和落地
； 4. 跟蹤並調研強化學習、模仿學習、行為預測等領域的國際前沿動態與最新研究成果（如頂會論文CVPR, ICRA, NeurIPS, ICML等），並嚐試將其應用於實際項目
； 5. 協助端到端自動駕駛大模型或相關子模塊的研發與優化工作。 任職要求： 1、專業背景​： • 要求​計算機科學、人工智能、自動化、控製理論與控製工程
、電子工程
、車輛工程或相關專業​​的碩士及以上在校生，也接受非常優秀的本科生。 2
、項目經曆​： • 有​機器學習/深度學習/強化學習​​方麵的研究或項目經驗，熟悉相關算法和框架； • 有​自動駕駛、機器人

、無人機​​等領域的決策
、規劃、控製或預測相關項目經驗、競賽經驗或學術研究經曆者優先； • 在​人工智能領域的會議或期刊（如CVPR, ICLR, NeurIPS, ICML, ICRA, IROS等）上有論文發表者優先​​。 3、編程能力​： • 熟練掌握Python​，並至少熟悉一種主流的深度學習框架（如​​PyTorch​​或TensorFlow），具備良好的算法實現能力； • 通常要求具備​C ​​ 編程能力，用於算法的集成、部署或性能優化

； • 熟悉Linux開發環境
，要求了解ROS等機器人係統框架。 5


、算法基礎​： • 紮實的數學基礎​：熟練掌握線性代數、概率論

、數理統計
、優化理論等機器學習相關數學工具； • 熟悉機器學習/深度學習算法​：深入了解常見的深度學習/強化學習算法； • 熟悉強化學習/模仿學習​：對強化學習（如DQN, PPO, SAC, DDPG）或模仿學習（如GAIL）有研究或實踐經驗者優先； • 了解自動駕駛相關算法​：對軌跡預測（如VectorNet, LaneGCN, TNT）、行為決策
、路徑規劃等有一定了解者優先。 6、工程能力：