博士后研发

研究方向（满足之一）：
一. 园区级别单车智能驾驶系统
1、研究路面动态目标意图预测模型。通过激光雷达、视觉相机与毫米波雷达融合的实时感知数据，研发固定路径下基于视觉特征的单车智能自动驾驶控制算法及模型。
2、研究非入侵式车辆运动控制映射。基于路测感知数据与车辆动力学参数，结合人工智能方法生成车辆转向、制动指令，并通过5G网络下发车辆，实现车辆的远程驾驶控制。
3、设计基于群体智能的交通流优化模型。通过人工智能方法以及路测感知数据，动态生成车辆车速引导策略。
二. 仪器仪表自动化检测系统
1、开发高精度智能传感器与数据采集系统。针对工业场景复杂工况，设计集成多种传感器（如温度、压力、流量、振动等）的智能采集模块，实现多参数同步采集与预处理，提升系统的实时性与可靠性。
2、构建开放式自动化检测平台。开发模块化、可扩展的自动化检测系统架构，支持多种通信协议与工业总线，便于与现有生产线集成，实现快速部署与灵活配置。
3、研究检测系统的自适应与自优化机制。通过引入自学习算法，使检测系统能够根据环境变化和设备状态自动调整检测策略和参数，提高检测的准确性和效率。
4、推动检测系统的标准化与互操作性研究。参与制定相关行业标准，确保不同厂商设备之间的兼容性与互操作性，促进自动化检测系统的广泛应用与推广
三. 工业智能边缘计算与预测性维护系统
1、开发轻量化嵌入式AI系统。基于ARM/GPU架构构建边缘计算单元，集成TensorRT等框架，支撑工业场景的实时推理。
2、研究多模态信号融合与在线异常检测。针对设备振动、温度、声学时序数据，设计基于人工智能的自适应特征融合算法，实现动态工况下的异常检测、故障诊断、故障预警等功能。
3、研究基于人工智能的模型动态更新机制，实现工业设备数据的自动采集、处理、标注以及模型的自优化功能。
四. 汽车摩擦片配方智能设计与多目标优化平台
1、建立摩擦材料构效关系模型。基于人工智能、机器学习等技术挖掘摩擦片配方结构与摩擦性能之间的关联，整合现有实验数据库实现摩擦配方性能预测。
2、 开发多目标深度学习优化框架。基于深度学习平衡摩擦系数、耐磨性与成本，实现高性能材料配方的自动化寻优。
3、构建跨尺度虚拟实验平台。融合微观结构分析与宏观特性预测，建立材料性能数字孪生系统，替代传统试错式开发流程。
五. 人形机器人及其他新技术产业融合应用
1、 结合汽车生产检测测试行业需求，研究机器人的产业落地。及相关产品应用。
2、探索汽车检测与机器人场景的通用AI算法（如多模态异常检测、小样本迁移学习）；
3、研究人形机器人在汽车检测场景的自动化应用（如基于视觉/力控的车辆部件智能巡检/智能操作）。
任职要求：
博士学位（计算机、机械、车辆、控制工程、自动化或其他相关专业）
1. 熟悉嵌入式 Linux 开发，具有一定的边缘计算框架实战经验优先
2. 扎实的AI算法、优化算法、边缘计算等基础知识，具备一定的的深度学习、机器学习等算法开发、验证、测试经验
3. 熟悉常用的机器学习与深度学习框架，具有故障诊断或工业应用相关研究经验者优先
4. 良好的编程与数据分析能力，熟悉Python、MATLAB编程。熟悉pytorch、tensorflow等深度学习架构。
5. 具备团队协作精神及良好的跨学科科研创新能力。
福利待遇：
1、公司解决北京户口
2、公司免费提供独立住房；
3、公司免费提供工作餐；
4、公司入职即为员工缴纳全额基数的五险一金，另有补充医疗；
5、公司每年一次健康体检；
6、公司内部为员工免费开放健身房；
7、节假日礼品/礼品卡等。