视觉驾驶开发工程师

算法链路设计与优化
根据业务需求（如自动驾驶L4级功能、机器人自主导航），设计算法链路架构，明确模块划分（如数据预处理、模型推理、后处理、控制指令输出）与接口定义。
优化算法链路性能，针对嵌入式平台（如NVIDIA Orin、Xavier、地平线J5）或云端服务器（如GPU集群），进行计算资源分配、内存管理、并行化加速（如CUDA、OpenCL）。
解决链路中的瓶颈问题（如数据传输延迟、模型推理卡顿），通过量化、剪枝、蒸馏等技术压缩模型，平衡精度与效率。
算法工程化部署
将训练好的算法模型（如CNN、Transformer、RL）转换为工程化代码，集成到目标平台（如AUTOSAR、ROS、Android），确保兼容性与可维护性。
开发部署工具链，支持模型自动转换（如ONNX、TensorRT）、性能调优（如Nsight Systems、Profiler）与版本管理（如Git LFS、MLflow）。
针对多传感器（摄像头、激光雷达、毫米波雷达、IMU）输入，设计数据融合与同步机制，确保链路输入的实时性与准确性。
系统集成与测试验证
主导算法链路与硬件（如域控制器、传感器）、软件（如操作系统、中间件）的集成测试，验证链路在真实场景下的功能与性能。
设计测试用例，覆盖正常流程、异常流程（如传感器失效、通信中断）与边界条件（如极端天气、低光照），确保链路鲁棒性。
分析测试数据（如延迟、吞吐量、资源占用），定位问题根因（如内存泄漏、线程竞争），推动算法与工程优化闭环。
性能调优与成本优化
通过硬件加速（如GPU/NPU指令集优化）、软件优化（如内存池、零拷贝技术）降低链路延迟，满足实时性要求（如自动驾驶控制周期<100ms）。
优化链路资源占用（如CPU、内存、带宽），降低硬件成本（如选用更低算力芯片），支撑大规模量产部署。
探索新技术（如数字孪生、边缘计算）在链路中的应用，提升系统可扩展性与灵活性。
技术文档撰写与协作
编写算法链路设计文档、部署指南、测试报告，为算法团队、硬件团队、测试团队提供技术参考。
与算法团队（如感知、决策、控制）协作，明确输入输出接口与性能指标，确保链路与算法协同优化。
与硬件团队（如芯片、传感器供应商）协作，评估硬件选型对链路的影响，推动硬件定制化需求落地。