蔚来
实习实习-智能辅助驾驶端到端规划模型
北京 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 计算机科学、人工智能、自动化、机器人等相关专业 硕士及以上学历
- 扎实的 深度学习 基础，熟悉 Transformer、自回归模型、Attention 机制
- 熟练使用 PyTorch，有大规模分布式训练经验（DDP / MPI）
- 熟悉智能辅助驾驶规划或预测领域，了解轨迹表征（Frenet / Cartesian）、碰撞检测、运动学约束等
- 良好的编程能力（Python 为主，C++ 加分），代码质量意识强
- 有独立阅读、复现前沿论文的能力。
- 优先条件有 强化学习（RLHF / PPO / GRPO） 在规划或生成任务中的实际应用经验；有 自回归轨迹生成、Tokenization（VQ-VAE / PCA 量化）相关经验；熟悉模型部署与优化（TorchScript / TVM / ONNX）；有 nuScenes / Waymo / 内部数据集上规划任务的 benchmark 经验；在 CVPR / NeurIPS / ICRA / CoRL / RSS 等顶会发表过相关论文。
岗位描述
负责智能辅助驾驶 端到端规划模型 的设计、训练与迭代优化，涵盖预训练、监督微调（SFT）和强化学习（RL）全流程；
设计并优化 轨迹预测与规划算法，包括 ego 轨迹与周车轨迹的联合建模；
构建和完善 奖励模型（Reward Model） 与 RL 训练框架，提升模型在安全性、舒适性、类人性等维度的表现；
参与多任务规划架构设计（车道保持、路口转弯、U-turn、目标点导航等）；
分析 bad case，驱动数据挖掘与场景定向优化；
与感知、定位、仿真等团队紧密协作，推动规划模块的量产落地。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。