北京机器视觉
机器视觉是一种涉及计算机科学、电子工程和人工智能的领域，其目的是使计算机系统能够“看”和理解图像或视频。在机器视觉中，计算机系统通过使用各种传感器和摄像头来捕获图像，并利用图像处理、模式识别和深度学习等技术来分析和理解图像中的信息。这项技术在许多领域有着广泛的应用，如工业自动化、医学影像诊断、安防监控、智能交通系统和军事领域等。通过机器视觉技术，计算机系统可以识别物体、进行目标追踪、检测图像中的异常情况等，从而实现自动化和智能化的应用。随着人工智能和深度学习技术的不断发展，机器视觉在各个领域的应用前景越来越广阔。
薪酬概览
平均月薪
¥13400
中位数 ¥12500 ｜ 区间 ¥9900 - ¥17000
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
71.4% 人群薪酬落在 8-15k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
6月新增岗位
5
对比上月：岗位减少0
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 3-5年 | 5 | 100% |
热招职位
探索下一代端到端自动驾驶系统的强化学习训练范式，构建高效稳定的大规模强化学习闭环训练框架，提升强化学习的数据效率、训练效率、稳定性、场景泛化性，验证scalling law，推动强化学习算法在物理世界的落地应用。
1.参与端到端智驾模型训练/评测数据生产全链路开发，包括数据生产、数据挖掘、打标、质检等；
2.参与智驾标签体系、meta体系的研发、维护及落地；
3.参与数据全链路相关的基础框架研发，包括挖掘、生产及分析框架等；
1、负责设计开发智能驾驶数据采集系统，数据闭环系统；
2、能够独立分析智能驾驶算法数据采集需求，完成需求方案转换；
3、开发设计传感器数据接入方案；
4、参与应用软件集成实车部署调试，有处理现场问题的综合能力；
1、负责车端智能驾驶的模型推理部署，新增模型接入与新算子支持；
2、负责车端智能驾驶应用软件的软件模块设计和软件开发；
3、负责车端智能驾驶应用软件全流程的量化精度优化和性能优化，为工程部署和算法优化方向提出指导；
4、负责车端智能驾驶算法模型在异构计算平台(GPU/DSP/J6 BSP)的部署和性能优化；
1、策略算法建模与优化：负责无人车货运业务中核心策略模型的建设和持续迭代。运用机器学习、因果推断、大模型等技术，对货运场景中的强不确定性、强价格弹性、强动态性进行建模和优化。具体方向包括：需求预测、留存/转化预测、价格弹性建模等定价/营销优化场景和路径规划与时间预估、履约机会成本预测、供需失衡预测等调度优化场景。
2、预测-决策联合优化：推动预测模型与决策模型的深度耦合，通过端到端优化实现业务订单增长和运营效率提升，直接驱动GMV增长和成本优化。
3、业务洞察与技术探索：深入理解无人车货运业务全链路，洞察业务快速发展过程中的关键瓶颈，与产品、运营、工程团队紧密协作，探索AI驱动的新一代物流策略体系。
4、前沿技术落地：关注并引入大模型（LLM/Foundation Model）、强化学习、因果推断等前沿技术在物流策略优化中的应用，推动技术创新转化为业务价值。
研究方向：半监督、无监督、大规模预训练模型的在ASR领域的应用研究。探索课题包括但不限于：
1、探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）；
2、研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法；
3、尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法。
1. 负责双臂机器人运动规划核心算法的研发与落地，包括但不限于：逆运动学求解、运动规划与双臂协同等；
2. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
3. 研究并开发遥操作系统，实现操作者对机器人的高精度、低延迟控制，探索力反馈、视觉引导等多模态遥操作方案；
4. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
5. 结合人工智能前沿技术，探索运动规划的智能化方向，如基于学习的运动策略生成、自适应抓取规划等，并搭建原理样机验证可行性；
6. 直接参与机器人系统的整体方案设计、技术架构制定与研发路线评审；
职位描述：
基于深度学习打造不依赖高精度地图的定位和实时地图系统，包括模型设计、训练、部署，车上系统反馈和形成数据闭环设计和构建深度神经网络模型，用于对传感器数据进行特征提取、数据融合和位置估计处理和分析大规模的自动驾驶系统相关的Camera、Lidar、GPS和IMU等各种传感器数据，利用深度学习技术进行特征提取、数据建模和预测分析进行深度学习模型的调优和调参，以提高模型的性能、效率和鲁棒性
任职要求：
熟练掌握C++、Python中至少一种语言，有较好的深度学习功底和工程素养深刻理解深度学习相关知识，有大规模深度学习模型训练部署实践经验者优先熟悉地图定位相关传感器数据处理和融合技术，有自动泊车、地图生产和融合定位等项目经验者优先热爱自动驾驶行业，勇于探索，挑战高精地图领域最前沿的技术问题积极主动，善于发现并解决问题，有良好的沟通能力和团队意识
研究方向：
- 大模型训练方法和模型框架优化
- 大模型知识和推理能力研究
- 大模型高性能推理研究
- 领域大模型研究
- 跨模态大模型研究
- 文本生成任务的质量评估办法研究
- 融合外部知识的文本生成研究
1、负责机器人系统的整体方案设计、改造方案设计以及现场调试；
2、熟悉PLC编程（西门子S7-1200/1500、三菱FX系列）、组态软件（WinCC）以及机械臂与PLC通讯和组态方法；
3、参与机器人运动控制算法、路径规划、SLAM（同步定位与建图）等核心算法的开发与优化；
4、搭建机器人软硬件测试平台，进行系统调试、性能评估及故障诊断；
5、与跨职能团队（如软件、产品、测试等）协作，推动项目从原型到量产的落地；
6、跟踪机器人领域前沿技术，持续改进产品性能与用户体验；
7、编写技术文档，包括设计说明、测试报告、用户手册等
职位概述：
作为平头哥数据中心产品线深度学习算法框架高级技术专家，将负责设计、开发和优化深度学习算法框架，提升算法模型在PTG AI芯片上的运行效率和性能。跨团队协作，确保高质量的代码和技术实现，同时为团队提供技术指导。
主要职责：
算法框架适配与开发：
对开源AI软件框架的内部实现有深入理解，能够快速将广大开源软件适配到 AI 芯片上，同时确保性能达到最优。同时根据公司AI芯片的差异化的功能，在框架层面实现软硬件结合的解决方案。
性能优化：
分析和优化深度学习模型的训练和推理性能，提升计算效率和资源利用率。
根据芯片硬件特点使用多种技术手段，包括分布式计算、模型压缩和量化，优化算法在实际应用中的表现。
跨团队协作：
与其他团队（如编译器、驱动、客户支持等）紧密合作，确保技术指标的达成，并实现符合用户需求和市场趋势的功能。
为团队成员提供技术指导和支持，推动团队技能的持续提升。
技术研究与创新：
跟踪深度学习和机器学习领域的最新研究动态，探索并实施新算法和技术。
参与编写技术文档和论文，促进技术的分享与传播。
岗位定位
负责智能驾驶域控端侧应用层软件开发、功能集成、业务逻辑落地、实车调试与量产交付。更具体的，负责端上车-云连接Agent模块开发，建立车-云高可靠、高性能连接，确保高可达性和高性能上、下行传输，是自动驾驶功能落地的核心工程岗位，主打业务逻辑、状态机、跨模块通信、端侧性能优化、量产稳定性。
岗位职责
1. 智驾应用层业务开发：负责高速NOA、城市NOA、自动泊车APA/RPA、循迹倒车、车道保持、主动刹车等辅助驾驶/自动驾驶功能的应用层逻辑开发、状态机管理、工况跳转、权限管理、故障降级策略落地。
2. 跨模块集成与协议对接：对接感知、定位、预测、规划、控制、底盘、车身、座舱HMI、导航、语音模块，完成跨进程/跨域通信、协议解析、数据校验、状态同步、指令下发与反馈，保障端侧全链路稳定运行。
3. 端侧性能与实时性优化：负责域控端侧软件资源管控，优化CPU/GPU/内存占用、线程调度、时延抖动、异常容错，解决卡顿、丢帧、状态跳转异常、偶现失效等量产问题，满足车载毫秒级实时性要求。
4. 台架/实车调试与问题闭环：参与台架联调、场地试车、道路路测，定位并闭环各类工况异常、边界case、偶现bug，输出调试日志、问题复盘与优化方案，支撑版本迭代与OTA升级。
5. 量产工程化与质量管控：遵循车载开发规范（ASPICE/AUTOSAR/ROS2），完成模块设计、编码、单元测试、集成测试、文档沉淀、代码评审，保障软件可量产、可维护、可迭代。
6. 版本迭代与需求落地：承接产品功能需求，拆解技术方案，跟进需求落地、版本合入、回归验证，支撑年度功能迭代与OTA特性上线。