自动驾驶感知模型部署工程师
岗位摘要
负责自动驾驶感知模型（Detection / Segmentation / BEV / Multi-Modal）在多种硬件平台上的部署与加速，包括 GPU、NPU、CPU（如 NVIDIA）等平台
登录后保留你的岗位线索
邮箱登录后可继续查看完整职责、任职要求和原岗位入口，并使用收藏与浏览记录沉淀适合自己的机会。
岗位职责
- 负责自动驾驶感知模型（Detection / Segmentation / BEV / Multi-Modal）在多种硬件平台上的部署与加速，包括 GPU、NPU、CPU（如 NVIDIA）等平台
- 将模型从训练框架（PyTorch）导出到推理框架（TensorRT / ONNX Runtime / TVM / 自研引擎），并进行算子适配、性能调优、内存优化
- 分析推理瓶颈（算子、访存、调度、流水线并行）并制定端到端加速方案，包括量化（INT8/QAT/PTQ）、剪枝、稀疏化、算子融合、子图重写等
- 根据感知模型特性（多 head、多尺度、BEV 变换、时序堆叠等）设计高效部署结构，负责模型结构重写与轻量化策略落地
- 参与自研推理框架的算子开发，包括 CUDA kernel 编写、调度优化和跨硬件后端适配
- 与感知算法、软件和硬件团队协作，推动模型在车辆端的高性能、低延迟、低功耗部署
任职要求
- 熟悉 PyTorch/ONNX/TensorRT 工作流，能独立完成模型导出、转换、调试
- 至少熟悉一种主流推理框架（TensorRT / ONNX Runtime / TVM / TFLite / MNN / ncnn 等）
- 能够分析模型算子瓶颈，掌握 profiler 工具（Nsight、nvprof、perf、Tracy）
- 熟悉常见加速技术：算子融合、kernel 调优、流水线并行、异步调度、memory pool、dynamic shape 优化等
- 熟练掌握现代 C++（C++11/14/17），熟悉多线程、内存管理
- 了解 CUDA 基本优化技巧（shared memory、coalesced memory、warp divergence、kernel fusion）
加分项
- 有自动驾驶感知模型部署经验（BEVFusion、CenterPoint、FCOS3D、Occupancy Network、 等）
- 有 QAT 实践经验，能解决量化精度掉点与 kernel 对齐问题
- 有稀疏化、剪枝、蒸馏等经验并落地过大模型加速方案
- 具备 GPU 性能建模能力，熟悉计算/访存平衡
- 有自研推理引擎、算子框架（如 Plugin、TVM schedule）开发经验
- 有多平台部署能力（如 NVIDIA + 地平线 + 其他端侧 SoC）
- 熟悉 CGraph、AITemplate、BladeDISC、OpenVINO、XLA 等高级编译器
登录后查看完整岗位详情
使用邮箱验证码登录后，可查看完整职责、任职要求、原岗位入口，并继续使用收藏和浏览记录。列表摘要保持公开，完整详情用于保护数据质量和降低恶意抓取。