ADAS感知算法

1. 数据清洗与预处理支持： 协助对 Camera、LiDAR、Radar 等多传感器原始数据进行筛选、清洗与格式化，为模型训练构建高质量、标准化的数据集 。
2. 数据标注与质量管理： 对接标注供应商或利用内部工具，支持真值（Ground Truth）生成、质量检查（QC）及数据集的版本控制 ，特别是针对复杂“长尾场景”（Corner Cases）数据集的清洗与迭代 。
3. 模型评估与指标分析： 在模型训练阶段，负责计算感知模型的各项核心性能指标（如 mAP、Precision/Recall 等），编写自动化评估脚本进行回归测试，并输出详细的误差分析与迭代追踪报告 。
4. 模型量化加速（Quantization）： 利用 TensorRT、SNPE 或福特内部工具链，支持感知模型从浮点型到定点型（如 FP32 到 INT8/FP16）的量化工作 ，包括 PTQ（训练后量化）及 QAT（量化感知训练）的技术落地 。
5. 芯片端部署与打通： 协助将训练好的深度学习模型（如 PyTorch / ONNX 格式）转换并部署集成至目标硬件生态（如 NVIDIA Orin-X 或类似的高算力汽车 SoC 芯片平台）及感知软件栈中 。
6. 硬件性能基准测试： 针对量化部署后的模型进行精度损失（Accuracy Drop）分析 ，并在目标车载硬件上开展吞吐时延（Latency）、功耗（Power）和内存占用（Memory usage）等核心性能指标的 Benchmarking 与极限优化 。
7. 全流程管线与交付： 负责数据处理流水线和模型转换 Runbooks 的技术文档沉淀 ，维护详细的数据清洗规则与量化参数日志 ，并最终协助向福特内部团队进行完整的知识转移与平滑交接 。
任职要求：
1. 熟悉计算机视觉（CV）与深度学习基础，熟悉主流感知特征（如车道线检测 Lane Detection、目标检测 Object Detection）的开发与评测流程 。
2. 熟练掌握 PyTorch 框架，熟悉 ONNX 模型转换与通用数据管道的构建 。
3. 熟练使用 TensorRT、SNPE 等模型量化与加速推理工具链 。
4. 拥有在 NVIDIA Orin-X 或同等车载 SoC 芯片上实际部署与优化深度学习模型的工程经验者大加分 。