锦鲤求职岗位描述
定位算法工程师（校招）| SLAM & 多源融合定位
一、岗位职责
1. 融合定位算法开发（核心）
- 参与 GNSS/RTK + IMU + 轮速 + 视觉/激光的多源融合定位算法开发，基于 ESKF 或因子图优化框架，输出高精度、高频率、带置信度的车辆位姿
- 参与定位模块的工程化实现与实车验证
2. SLAM 与感知定位模块
- 参与视觉/激光 SLAM 子模块研发：特征提取与匹配、位姿估计、点云配准、回环检测、局部建图
- 参与基于车道线、交通标牌、路面标识等语义特征的地图匹配算法开发，跟进轻地图/无图定位技术方案
3. 退化场景鲁棒性优化
- 参与 RTK 失锁场景（隧道、高架、城市峡谷、林荫道）与视觉退化场景（长直道、逆光、雨雪雾、施工区）的补位与抑漂策略优化
- 参与定位健康度/置信度评估机制建设，支撑系统分级安全降级
4. 标定、优化与部署
- 参与相机内外参、Camera-LiDAR-IMU 联合标定与 IMU/轮速误差建模补偿
- 参与算法在嵌入式平台（Orin / J6）上的移植、实时性优化与算力压缩
5. 前沿技术预研
- 跟踪学术前沿，参与深度学习特征、NeRF、3D Gaussian Splatting、端到端定位/建图等方向的可行性探索
二、任职要求
基础要求（必备）
1. 硕士及以上学历，计算机视觉、机器人、自动化、导航工程、车辆工程、测绘、电子工程等相关专业，2026/2027 届应届毕业生
2. 扎实的数学基础：线性代数、概率论、最优估计、刚体运动与李群李代数
3. 熟练使用 C++（了解 C++11/14 常用特性）与 Python，具备良好的代码习惯；熟悉 Linux 开发环境，了解 ROS/ROS2
4. 具备下列任一方向的项目经历（实验室课题、竞赛、实习、开源项目均可）：
方向 A：SLAM / 里程计（视觉、激光不限）
- 理解 SLAM 系统的整体框架与核心环节：前端里程计、后端优化、回环检测、建图，具备其中至少一条完整链路的实践经历
- 读过并跑通过至少一个开源 SLAM 框架，视觉、激光、视觉惯性、激光惯性方向任选其一即可，例如：
- 激光/激光惯性：A-LOAM、LeGO-LOAM、LIO-SAM、FAST-LIO、KISS-ICP
- 视觉/视觉惯性：ORB-SLAM2/3、VINS-Mono/Fusion、DSO、MSCKF
- 掌握下列几何基础中的至少一类：
- 点云侧：ICP / NDT / GICP 配准、点云特征提取（线面特征、法向量）、体素/KD-Tree 数据结构
- 视觉侧：多视图几何、对极几何、三角化、BA 光束法平差
- 了解 IMU 预积分、滑动窗口、边缘化等紧耦合优化技术，用过 Ceres / g2o / GTSAM 之一
- 加分：了解 SuperPoint、SuperGlue、LoFTR 等学习型特征匹配方法；了解多传感器（Camera-LiDAR-IMU）联合标定
方向 B：视觉/语义地图匹配定位
- 核心要求：有基于视觉的定位或地图匹配相关实践，例如：
- 基于车道线、交通标牌、路面箭头/停止线等语义要素与地图（高精地图 / 轻图 / 自建局部地图）的匹配定位
- 基于视觉特征或语义地图的重定位、位置识别（Place Recognition）、地图先验约束下的位姿求解
- 视觉观测的特征关联、异常值剔除（RANSAC / 鲁棒核函数）与位姿优化
- 了解高精地图车道级语义元素与拓扑结构，理解地图匹配的基本算法思路
- 配套要求（服务于视觉定位，非独立方向）：掌握 EKF/ESKF 滤波理论并具备代码实现能力，了解 GNSS/RTK 定位原理与主要误差来源、IMU 与轮速计误差特性，理解视觉观测如何作为量测接入融合框架
- 加分：做过 RTK 失锁或视觉退化场景下的鲁棒性优化；了解无图/轻图定位的技术趋势
说明：A、B 两个方向不要求同时具备，我们看重的是你在其中一条路线上的深度与工程动手能力，入职后会有系统的交叉培养。
加分项（满足任意一条即可突出）
- 在 CVPR / ICCV / ECCV / ICRA / IROS / RA-L 等会议或期刊发表过相关论文
- 有开源 SLAM/定位项目贡献，或个人 GitHub 项目有一定影响力
- 有智能驾驶、机器人、无人机公司的定位/SLAM 相关实习经历
- 熟悉 CUDA / TensorRT，有算法嵌入式部署或性能优化经验
- 有实车/实机数据采集、日志分析、问题复现与闭环调试的经历
- 参加过 RoboMaster、智能车、RoboCup、自动驾驶挑战赛等竞赛并有定位相关贡献
- 了解 NeRF、3D Gaussian Splatting 等神经隐式表达技术