工作描述:
1、对车端传感器实时感知的静态要素结果(车道线\路沿、交通灯、标识牌)进行重建融合,实现路面标识或空中标识的关联、跟踪、3D重建等算法开发与优化;
2、基于Transformer/GNN实现数据驱动的车端道路拓扑模型搭建和训练;
3、搭建静态重建融合算法评估的方案,保障算法能够在多复杂场景稳定运行;
职位要求:
1、硕士或博士研究生在读,计算机/电子/自动化等相关专业学位;有ACM经验者优先,拥有机器人/人工智能领域顶会论文者优先考虑;
2、熟练掌握Transformer/GNN理论知识,熟悉Vector编码,熟练使用pytorch搭建/训练/部署图网络;
3、熟练掌握Slam技术的理论基础,掌握经典的VIO/LIO/VSLAM/SFM 等算法,以及概率论、非线性优化、李群李代数等数学知识;
4、精通Slam技术的工程实现,包括前端里程计、后端优化、回环检测等模块核心模块的算法细节,熟悉主流视觉slam的开源框架,例如Orb-slam、Vins等,完整阅读并掌握至少其中一种框架的源码;
5、熟悉面向自动驾驶的地图数据结构和表达方式,有车端地图相关工作经历,熟悉拓扑信息构建者;
6、具有扎实的C/C++/Python编程能力,熟悉常见的优化库,如g2o,ceres等;能够独立、高质量完成算法的工程化实现;
7、熟悉ROS/ROS2系统以及Linux编程,能够高效高质地将算法部署在嵌入式Linux平台。
收藏
取消收藏
已投递