岗位定位
聚焦于城区领航辅助驾驶（城市NOA）中的道路结构认知与无图静态感知能力研发。在无高精地图依赖的技术范式下，通过车载视觉感知实时重建道路拓扑、车道线、路沿、路面标识等静态环境要素，为规划决策模块提供精确、鲁棒的静态环境理解。当前行业正处于从“高精地图依赖”向“轻地图/无图化”全面转型的关键阶段。
岗位职责
方向一：城区场景道路结构认知算法研发
1. 车道线检测与建模
研发复杂光照、遮挡、磨损条件下的车道线检测与跟踪算法
支持实线/虚线/双线/鱼骨线/导流线等多类型车道线的精准分割与矢量化建模
支持曲率变化大、路口缺失标线等城区典型场景的鲁棒检测
2. 通用路沿检测
研发有路肩/无路肩、平路沿/凸路沿等多场景下的路沿检测算法
支持路沿的几何参数化建模（高度、曲率、连续性）
3. 路面标识检测
研发停止线、斑马线、箭头、文字、导流带、减速带等路面标识的检测与语义识别
支持多种标识的实例级分割与结构化输出
4. 路口检测与理解
研发T型路口、十字路口、Y型路口、环岛等典型路口类型的识别算法
支持路口区域范围估计、入口/出口车道匹配、停止位置推理
方向二：无图静态感知算法研发
5. 复杂道路结构下的车道拓扑构建
研发不依赖高精地图的车道拓扑实时推理算法，从多视角图像中提取车道中心线的几何位置及拓扑关系，为车辆提供可行驶轨迹
支持车道连通关系推理、变道可行性判断、路口内车道连接关系建模
跟踪车道拓扑感知领域的前沿技术，如Topo2Seq、TopoHR、TopoStreamer等框架的落地转化
6. 地图先验融合
研发导航地图（SD Map）、众包地图等多源先验信息的融合利用算法
通过轻量级地图先验辅助在线拓扑推理，提升感知泛化能力与鲁棒性
7. 长时空时序模型
研发融合长时记忆（多帧历史特征）与短时感知的时序建模方法
利用时序信息提升静态元素的检测稳定性与拓扑推理精度，解决遮挡、抖动、帧间不一致等问题
8. 端到端行车引导线
研发面向端到端驾驶架构的行车引导线生成算法
支持从感知输入到可行驶路径/引导线的直接端到端推理输出，为规划模块提供更紧凑的表示
方向三：感知One Model（多任务）算法研发
9. 统一感知模型架构
研发基于BEV（Bird‘s Eye View）空间的统一感知模型，同时处理车道线检测、路沿检测、路面标识检测、动态目标检测等多个感知任务
探索高效的特征共享与任务解耦策略，降低多任务计算的算力开销
推动联合模型在量产系统中的应用
10. 感知模型优化与部署
负责感知模型的轻量化与端上推理优化，保证在有限算力下的实时性（如单征程6M芯片128TOPS下的高效部署）
解决感知模型在车规级嵌入式平台上的精度-速度平衡问题
11. 前沿技术跟踪与落地
跟进BEV感知、Occupancy Network、World Model、VLA等前沿技术，并推动在量产项目中的验证与应用