Job Description: 岗位定位 聚焦于城区领航辅助驾驶（城市NOA）中的道路结构认知与无图静态感知能力研发。在无高精地图依赖的技术范式下，通过车载视觉感知实时重建道路拓扑、车道线、路沿、路面标识等静态环境要素，为规划决策模块提供精确、鲁棒的静态环境理解。当前行业正处于从“高精地图依赖”向“轻地图/无图化”全面转型的关键阶段。 岗位职责 方向一：城区场景道路结构认知算法研发 1. 车道线检测与建模 研发复杂光照、遮挡、磨损条件下的车道线检测与跟踪算法 支持实线/虚线/双线/鱼骨线/导流线等多类型车道线的精准分割与矢量化建模 支持曲率变化大、路口缺失标线等城区典型场景的鲁棒检测 2. 通用路沿检测 研发有路肩/无路肩、平路沿/凸路沿等多场景下的路沿检测算法 支持路沿的几何参数化建模（高度、曲率、连续性） 3. 路面标识检测 研发停止线、斑马线、箭头、文字、导流带、减速带等路面标识的检测与语义识别 支持多种标识的实例级分割与结构化输出 4. 路口检测与理解 研发T型路口、十字路口、Y型路口、环岛等典型路口类型的识别算法 支持路口区域范围估计、入口/出口车道匹配、停止位置推理 方向二：无图静态感知算法研发 5. 复杂道路结构下的车道拓扑构建 研发不依赖高精地图的车道拓扑实时推理算法，从多视角图像中提取车道中心线的几何位置及拓扑关系，为车辆提供可行驶轨迹 支持车道连通关系推理、变道可行性判断、路口内车道连接关系建模 跟踪车道拓扑感知领域的前沿技术，如Topo2Seq、TopoHR、TopoStreamer等框架的落地转化 6. 地图先验融合 研发导航地图（SD Map）、众包地图等多源先验信息的融合利用算法 通过轻量级地图先验辅助在线拓扑推理，提升感知泛化能力与鲁棒性 7. 长时空时序模型 研发融合长时记忆（多帧历史特征）与短时感知的时序建模方法 利用时序信息提升静态元素的检测稳定性与拓扑推理精度，解决遮挡、抖动、帧间不一致等问题 8. 端到端行车引导线 研发面向端到端驾驶架构的行车引导线生成算法 支持从感知输入到可行驶路径/引导线的直接端到端推理输出，为规划模块提供更紧凑的表示 方向三：感知One Model（多任务）算法研发 9. 统一感知模型架构 研发基于BEV（Bird‘s Eye View）空间的统一感知模型，同时处理车道线检测、路沿检测、路面标识检测、动态目标检测等多个感知任务 探索高效的特征共享与任务解耦策略，降低多任务计算的算力开销 推动联合模型在量产系统中的应用 10. 感知模型优化与部署 负责感知模型的轻量化与端上推理优化，保证在有限算力下的实时性（如单征程6M芯片128TOPS下的高效部署） 解决感知模型在车规级嵌入式平台上的精度-速度平衡问题 11. 前沿技术跟踪与落地 跟进BEV感知、Occupancy Network、World Model、VLA等前沿技术，并推动在量产项目中的验证与应用 Job Qualification: 基础要求： 硕士及以上学历，计算机视觉、模式识别、机器学习、机器人等相关专业 自动驾驶行业背景，有城区场景静态感知实际项目量产经验者优先 技术能力要求： 算法能力： 熟悉深度学习基础理论，精通Transformer、CNN等主流网络架构，具有实际模型调优经验 熟悉BEV感知、矢量化地图构建、车道拓扑推理等领域的主流方法（如BEVFormer、MapTR系列、TopoNet、LaneSegNet等） 熟悉多任务学习、端到端感知框架者优先 工程能力： 精通Python/C++，有良好的工程化编程习惯 了解SLAM、多视图几何、非线性优化相关算法 有车规级嵌入式平台算法部署和优化经验者优先 加分项： 在CVPR/ICCV/ECCV/ICML/NeurIPS等顶级会议或期刊发表相关论文 有自动驾驶静态感知实际量产交付经验 有带领团队完成算法方案实际部署经验