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": "【北斗】自动驾驶感知算法工程师",
"job_level": "校招",AI生成
"work_category": "全职",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": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【愿景】\n美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从\"按规则行驶\"进化为\"像人一样看懂世界、自主决策\"。\n\n【岗位职责】\n1.端到端自动驾驶建模：参与、设计及实现端到端的自动驾驶建模方法，搭建从传感器数据到行为决策的端到端模型。\n2. VLA/VA：将LLM/VLM/COT/RL等方法应用在端到端模型的优化和能力构建上，建设更具备泛化性、可拓展性的自动驾驶算法能力。\n3.世界模型能力建设：基于传感器仿真算法和状态预测算法，建设高质量稀缺数据生成能力和端到端算法闭环仿真能力。\n4.大规模场景重建：研究并落地基于大规模 Feedforward 框架的三维重建算法（如 VGGT，3D GaussianSplatting等），探索其在自动驾驶场景中的工程化应用。",
"requirements_text": "【任职资格】\n1.计算机科学、人工智能领域，具有扎实的深度学习、计算机视觉/自然语言处理基础；\n2.具有优秀的编程能力，熟悉PyTorch、Tensorflow等深度学习框架，能熟练进行模型研发和测试；\n3.具备一定的科研能力，能够承担科研探索工作和先进技术落地推进工作。 \n具备以下优先：\n1.有训练过端到端自动驾驶模型的经验；\n2.在设计、训练、评估和部署机器学习模型（尤其是多模态大模型、生成模型等）方面有深刻的理解； \n3.在NeurIPS/ICML/ICLR/CVPR等会议或期刊上发表过论文；\n4.获得过国际或国内赛事奖项者。\n\n场景重建的具体研究领域需求，具备其中一个或多个：\n1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先；\n2.深入了解 3D Gaussian Splatting、NeRF 等场景表达方式，以及其与 Feedforward 重建的结合方向；\n3.有自监督学习研究经验（如 MAE、DINO、MoCo 等预训练范式，或面向三维场景的自监督深度/位姿估计）。\n【为什么是我们】\n1.将算法落地在大规模的实际业务场景；\n2.前沿的自动驾驶/大模型算法研究机会；\n3.活跃包容的算法团队和坚实可靠的基础设施；\n4.拥有自动驾驶积累的海量多模态数据（多相机、LiDAR、高精轨迹），是训练和验证大规模三维重建模型的天然场；\n5.将参与从模型设计、大规模训练、到自动驾驶系统集成的完整过程。",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"自然语言处理",
"计算机视觉",
"建模",
"大语言模型"
],
"preferred_qualifications": "具备以下优先：；1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先",
"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=4530649383&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4530649383",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4530649383&jobShareType=1"
},
"fulltext": "【北斗】自动驾驶感知算法工程师\n【北斗】自动驾驶感知算法工程师\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：2026-06-11\n\n岗位职责\n【愿景】\n美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从\"按规则行驶\"进化为\"像人一样看懂世界、自主决策\"。\n\n【岗位职责】\n1.端到端自动驾驶建模：参与、设计及实现端到端的自动驾驶建模方法，搭建从传感器数据到行为决策的端到端模型。\n2. VLA/VA：将LLM/VLM/COT/RL等方法应用在端到端模型的优化和能力构建上，建设更具备泛化性、可拓展性的自动驾驶算法能力。\n3.世界模型能力建设：基于传感器仿真算法和状态预测算法，建设高质量稀缺数据生成能力和端到端算法闭环仿真能力。\n4.大规模场景重建：研究并落地基于大规模 Feedforward 框架的三维重建算法（如 VGGT，3D GaussianSplatting等），探索其在自动驾驶场景中的工程化应用。\n\n岗位基本要求\n【任职资格】\n1.计算机科学、人工智能领域，具有扎实的深度学习、计算机视觉/自然语言处理基础；\n2.具有优秀的编程能力，熟悉PyTorch、Tensorflow等深度学习框架，能熟练进行模型研发和测试；\n3.具备一定的科研能力，能够承担科研探索工作和先进技术落地推进工作。 \n具备以下优先：\n1.有训练过端到端自动驾驶模型的经验；\n2.在设计、训练、评估和部署机器学习模型（尤其是多模态大模型、生成模型等）方面有深刻的理解； \n3.在NeurIPS/ICML/ICLR/CVPR等会议或期刊上发表过论文；\n4.获得过国际或国内赛事奖项者。\n\n场景重建的具体研究领域需求，具备其中一个或多个：\n1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先；\n2.深入了解 3D Gaussian Splatting、NeRF 等场景表达方式，以及其与 Feedforward 重建的结合方向；\n3.有自监督学习研究经验（如 MAE、DINO、MoCo 等预训练范式，或面向三维场景的自监督深度/位姿估计）。\n【为什么是我们】\n1.将算法落地在大规模的实际业务场景；\n2.前沿的自动驾驶/大模型算法研究机会；\n3.活跃包容的算法团队和坚实可靠的基础设施；\n4.拥有自动驾驶积累的海量多模态数据（多相机、LiDAR、高精轨迹），是训练和验证大规模三维重建模型的天然场；\n5.将参与从模型设计、大规模训练、到自动驾驶系统集成的完整过程。\n【愿景】\n美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从\"按规则行驶\"进化为\"像人一样看懂世界、自主决策\"。\n\n【岗位职责】\n1.端到端自动驾驶建模：参与、设计及实现端到端的自动驾驶建模方法，搭建从传感器数据到行为决策的端到端模型。\n2. VLA/VA：将LLM/VLM/COT/RL等方法应用在端到端模型的优化和能力构建上，建设更具备泛化性、可拓展性的自动驾驶算法能力。\n3.世界模型能力建设：基于传感器仿真算法和状态预测算法，建设高质量稀缺数据生成能力和端到端算法闭环仿真能力。\n4.大规模场景重建：研究并落地基于大规模 Feedforward 框架的三维重建算法（如 VGGT，3D GaussianSplatting等），探索其在自动驾驶场景中的工程化应用。\n【任职资格】\n1.计算机科学、人工智能领域，具有扎实的深度学习、计算机视觉/自然语言处理基础；\n2.具有优秀的编程能力，熟悉PyTorch、Tensorflow等深度学习框架，能熟练进行模型研发和测试；\n3.具备一定的科研能力，能够承担科研探索工作和先进技术落地推进工作。 \n具备以下优先：\n1.有训练过端到端自动驾驶模型的经验；\n2.在设计、训练、评估和部署机器学习模型（尤其是多模态大模型、生成模型等）方面有深刻的理解； \n3.在NeurIPS/ICML/ICLR/CVPR等会议或期刊上发表过论文；\n4.获得过国际或国内赛事奖项者。\n\n场景重建的具体研究领域需求，具备其中一个或多个：\n1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先；\n2.深入了解 3D Gaussian Splatting、NeRF 等场景表达方式，以及其与 Feedforward 重建的结合方向；\n3.有自监督学习研究经验（如 MAE、DINO、MoCo 等预训练范式，或面向三维场景的自监督深度/位姿估计）。\n【为什么是我们】\n1.将算法落地在大规模的实际业务场景；\n2.前沿的自动驾驶/大模型算法研究机会；\n3.活跃包容的算法团队和坚实可靠的基础设施；\n4.拥有自动驾驶积累的海量多模态数据（多相机、LiDAR、高精轨迹），是训练和验证大规模三维重建模型的天然场；\n5.将参与从模型设计、大规模训练、到自动驾驶系统集成的完整过程。",
"standard_classification": {
"std_category_code": "T013",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}