锦鲤求职岗位描述
工作内容
岗位介绍
我们正在建设面向下一代自动驾驶研发的 AI 驱动仿真系统，通过深度学习模型学习真实世界中的车辆动力学、交通参与者行为、碰撞风险以及复杂驾驶交互规律，构建更加真实、高效、可泛化的仿真环境，为自动驾驶算法训练、评测和闭环验证提供基础能力。
我们寻找具有深度学习、生成模型、时序建模或自动驾驶算法背景的技术专家，重点负责将真实世界数据中的驾驶规律学习为可用于仿真的模型，推动传统规则/物理仿真向 Data-driven Simulation / Learned Simulation 演进。
工作职责
1、基于学习的车辆动力学模型
-基于真实车辆行驶数据，训练数据驱动的车辆动力学模型（Learned Vehicle Dynamics Model）。
-建立车辆状态、控制输入、道路环境与未来轨迹之间的时序动力学关系。
-研究车辆运动学/动力学与深度学习模型的结合，包括 Transformer、RNN、State Space Model、Neural ODE 等方法。
-提升模型在不同车型、不同道路、不同驾驶工况下的泛化能力，并实现高稳定性的长时序 rollout。
2、碰撞风险与安全模型
-基于真实驾驶数据、仿真数据及事故/危险场景数据，训练碰撞风险预测模型。
-建立车辆之间以及车辆与环境之间的时空交互模型，预测未来碰撞概率、TTC、Near-miss 等风险指标。
-研究面向仿真的风险模型，使其能够支持危险场景生成、自动化测试以及闭环强化学习。
-探索基于生成模型/世界模型的风险场景建模与高风险样本挖掘。
3、类人驾驶/交通参与者行为模型
-研究真实驾驶员和交通参与者的行为规律，训练类人驾驶（Human-like Driving）模型。
-建模车辆跟驰、换道、超车、避障、交互博弈以及复杂交通场景下的决策行为。
-研究基于 Transformer、Diffusion、Flow Matching、Generative Model、RL 等方法的驾驶行为生成。
-让仿真环境中的交通参与者具备更加真实、合理且多样化的驾驶行为。
4、数据与训练系统
-负责训练数据构建、数据清洗、场景切分、难例挖掘及数据质量分析。
-搭建大规模深度学习训练 pipeline，支持模型训练、评测、可视化和迭代优化。
-建立覆盖离线指标与闭环仿真的模型评测体系。
-持续分析真实数据与仿真数据之间的 domain gap，并优化模型的真实性与泛化能力。
任职条件
必备条件
1、硕士及以上学历，计算机、人工智能、自动驾驶、机器人、控制、数学、电子工程等相关专业。
2、具备扎实的深度学习基础，对 Transformer、CNN、Attention、生成模型、强化学习等核心技术有深入理解。
3、具有较强的模型设计、训练和调优能力，熟悉 PyTorch 等主流深度学习框架。
4、具有以下一个或多个方向的实际经验：
自动驾驶预测/规划
车辆动力学建模
轨迹预测
行为预测
风险预测/碰撞预测
生成模型
World Model
强化学习
Robot Learning
时序模型
5、能够独立完成从 问题定义 → 数据构建 → 模型设计 → 训练 → 评测 → 工程落地 的完整算法闭环。
6、具备较强的数学和工程能力，能够深入分析模型训练及推理过程中的问题。
加分项
1、有自动驾驶仿真系统、闭环仿真或 Scenario Generation 相关经验。
2、有车辆动力学模型、CarSim、PreScan、Carla、BeamNG、Isaac Sim、Unreal Engine 等相关经验。
3、有 World Model、Diffusion、Flow Matching、VAE、GAN、NeRF、3D Gaussian Splatting 等生成模型经验。
4、有 RL / Offline RL / Imitation Learning / Inverse RL 经验。
5、有大模型、Multimodal Model、Vision-Language Model 经验。
6、有真实驾驶大规模数据集训练经验。
7、在 NeurIPS、ICML、ICLR、CVPR、ECCV、TPAMI、TITS、IV、ITSC 等会议/期刊发表过相关论文。
8、有较强的科研能力，能够快速跟踪并复现前沿论文。
我们希望你解决的问题
你加入后，将重点解决类似以下问题：
-能否从真实车辆数据中学习一个 准确且稳定的车辆动力学模型，让仿真车辆拥有接近真实车辆的运动特性？
-能否训练一个模型预测复杂交通环境中的 碰撞风险与危险程度？
-能否让仿真环境中的车辆具备接近真实驾驶员的 类人决策与驾驶风格？
-能否利用生成模型自动生成大量真实、合理、多样且高风险的驾驶场景？