日日操狠狠干,91精品91久久久中77777,精品视频一区二区三区四区五区,伊人婷婷网,久久久国产一区二区三区四区,久久久久久久久久久97,欧美图片区综合免费

工作職責 1. 負責基于強化學習（如Online/Offline RL、Model-based RL）的自動駕駛行為決策與運動規劃算法研發，重點解決結構化道路（高速、城市快速路）及非結構化場景（自動泊車）中的動態交互與博弈問題； 2. 針對復雜動態場景（密集車流、無保護路口、人車混流），設計基于數據驅動的決策規劃算法，通過大規模分布式訓練系統提升策略的智能性、安全性及泛化能力； 3. 構建與迭代仿真環境（如CARLA、NVIDIA Isaac）與世界模型，推動強化學習策略的仿真訓練與實車遷移（Sim2real），形成“真實數據→仿真訓練→實車驗證”的閉環優化； 4. 參與全棧自動駕駛決策控制系統的開發，對接感知、預測、端到端模塊，實現基于強化學習的決策規劃算法在車載平臺上的部署、性能優化與實車路測； 5. 跟蹤強化學習在自動駕駛領域的前沿進展（如大模型與RL結合、逆強化學習、多智能體博弈），進行技術預研與算法創新，推動研究成果在量產項目中的應用與落地。 任職資格 1. 計算機科學、自動化、機器學習、機器人學等相關專業本科及以上學歷； 2. 具備扎實的強化學習理論基礎，熟悉主流RL算法（PPO、SAC、TD3、IQL等），并至少在一項自動駕駛或機器人項目中具有RL算法落地經驗； 3. 熟練掌握Python/C ，熟悉PyTorch等深度學習框架，具備大規模強化學習分布式訓練（如Ray、Kubernetes）或仿真平臺開發經驗者優先； 4. 熟悉自動駕駛決策規劃常見方法（如MDP/POMDP、搜索與優化算法），并能夠將強化學習與傳統規劃方法（如MPC、Lattice）結合解決實際問題； 5. 具備良好的數學基礎，熟悉優化理論、概率論、車輛動力學建模，能夠支撐RL算法中的獎勵函數設計、策略優化與安全約束處理。 加分項： 1. 在NeurIPS、ICLR、ICML、ICRA、CoRL等會議或期刊發表過強化學習相關論文； 2. 具備自動駕駛量產項目（如NOA、LCC）或L4級項目（Robotaxi、Robobus）中RL算法集成與調試經驗； 3. 熟悉仿生學習、逆強化學習、世界模型等技術，具備數據合成、評測基準構建或RL訓練基礎設施開發經驗； 4. 熟悉ROS、Apollo等自動駕駛框架，或具備CARLA、Isaac Gym等仿真工具鏈的使用和開發能力。