主分类：机器人与自动驾驶算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "【无人车北斗实习】强化学习实习生",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市 / 深圳市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士期间发表至少1篇、博士期间发表至少3篇 CCF-A 类强化学习方向论文",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【工作内容】\n1. 深度参与强化学习算法的前沿探索，推动其在自动驾驶决策与规划场景中的落地应用\n2. 设计并实现强化学习相关实验方案，完成算法验证、性能评估与迭代优化\n3. 与团队紧密协作，将研究成果转化为可工程化落地的系统方案\n【岗位吸引点】\n1. 实量产场景验证：算法直接应用于美团 RoboVan 车队的决策规划模块，在复杂城市物流场景中完成真实闭环验证，研究成果不止于论文\n2. 顶级技术环境：与强化学习方向资深研究员深度协作，接触国内少有的、将 RL 应用于规模化商业落地的完整技术栈\n3. 全链路视角：在感知-决策-执行全链路自研的环境中工作，能从系统层面理解 RL 在自动驾驶中的真实挑战与价值",
"requirements_text": "1. 硕士期间发表至少1篇、博士期间发表至少3篇 CCF-A 类强化学习方向论文\n2. 具有头部自动驾驶公司强化学习相关方向实习经历，熟悉主流 RL 框架与训练流程\n3. 工程能力突出，能够独立完成大规模模型训练、调试与部署",
"skills": [AI生成
"强化学习",
"模型训练"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4499867840&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4499867840",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4499867840&jobShareType=1"
},
"fulltext": "【无人车北斗实习】强化学习实习生\n【无人车北斗实习】强化学习实习生\n\n基础信息\n工作地点：北京市 / 深圳市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-05-22\n\n岗位职责\n【工作内容】\n1. 深度参与强化学习算法的前沿探索，推动其在自动驾驶决策与规划场景中的落地应用\n2. 设计并实现强化学习相关实验方案，完成算法验证、性能评估与迭代优化\n3. 与团队紧密协作，将研究成果转化为可工程化落地的系统方案\n【岗位吸引点】\n1. 实量产场景验证：算法直接应用于美团 RoboVan 车队的决策规划模块，在复杂城市物流场景中完成真实闭环验证，研究成果不止于论文\n2. 顶级技术环境：与强化学习方向资深研究员深度协作，接触国内少有的、将 RL 应用于规模化商业落地的完整技术栈\n3. 全链路视角：在感知-决策-执行全链路自研的环境中工作，能从系统层面理解 RL 在自动驾驶中的真实挑战与价值\n\n岗位基本要求\n1. 硕士期间发表至少1篇、博士期间发表至少3篇 CCF-A 类强化学习方向论文\n2. 具有头部自动驾驶公司强化学习相关方向实习经历，熟悉主流 RL 框架与训练流程\n3. 工程能力突出，能够独立完成大规模模型训练、调试与部署\n【工作内容】\n1. 深度参与强化学习算法的前沿探索，推动其在自动驾驶决策与规划场景中的落地应用\n2. 设计并实现强化学习相关实验方案，完成算法验证、性能评估与迭代优化\n3. 与团队紧密协作，将研究成果转化为可工程化落地的系统方案\n【岗位吸引点】\n1. 实量产场景验证：算法直接应用于美团 RoboVan 车队的决策规划模块，在复杂城市物流场景中完成真实闭环验证，研究成果不止于论文\n2. 顶级技术环境：与强化学习方向资深研究员深度协作，接触国内少有的、将 RL 应用于规模化商业落地的完整技术栈\n3. 全链路视角：在感知-决策-执行全链路自研的环境中工作，能从系统层面理解 RL 在自动驾驶中的真实挑战与价值\n1. 硕士期间发表至少1篇、博士期间发表至少3篇 CCF-A 类强化学习方向论文\n2. 具有头部自动驾驶公司强化学习相关方向实习经历，熟悉主流 RL 框架与训练流程\n3. 工程能力突出，能够独立完成大规模模型训练、调试与部署",
"standard_classification": {
"std_category_code": "T013",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}