公司简介：理想汽车是2015年7月创立的新能源汽车公司，致力于打造纯正的智能电动车品牌。2020年7月30日，理想汽车在纳斯达克上市，市值超蔚来成造车新势力一哥。
工作职责：负责整车感知算法相关工作。
工作内容：
（1）完成某款在研新车感知系统传感器及其架设参数的分析与设置，同时完成感知系统所需算力分析 及芯片选型；
（2）从零开始制定感知系统研发规划，包括完整的感知算法设计方案和实施计划，以及配套的数据标 注准则，并基于所选定的芯片厂家工具链，开展算法研发工作。

拟离职原因：独立负责感知模块的核心技术攻关，但因公司内部管理混乱，公司内部派系的存在导致合作困难，寻求成熟稳定的平台和专业的技术合作团队。

公司简介：文远知行成立于2017年，创立于美国硅谷，全球总部位于广州，公司致力于L4级别的无人驾驶技术研发。截至2019年12月，共完成8,396个出行订单，零安全事故，日均出行服务270.8次，单天最多订单达到438单，服务订单总里程达41,140公里，共服务4,683名用户。于2019年11月，文远知行获“2019年《财富》中国年度创新企业”称号。
工作职责：负责RobotTaxi 视觉感知方案的规划设计、实现及落地。
工作内容：
（1）完成车载平台Traffic Light 感知算法设计及实现，基于单一模型同时解决Traffic Light 检测及颜色 和类型分析，以及Traffic Cone 检测问题，并基于TensorRT 实现车载平台落地测试；
（2）结合Inception 和ResNet Block 特点，在充分考虑特征融合和信息增强因素基础上，针对GPU 部 署平台设计轻量级Backbone，以实现在有限算力平台上的多任务多摄像头数据分析，将其迁移至 Traffic Light 分析和Traffic Cones 检测模型上，获得超过ResNet50+FPN 的模型性能；
（3）指导Team 成员基于目标检测思路开展车道线检测相关工作，并将其用于高精地图辅助建图。

离职原因：北京地区没有车辆可做测试，而广州有很大优势，所以做感知技术的都要求去广州，人选只能base北京，故离职。

公司简介：驭势科技UISEE致力于用AI驾驶打造面向未来的出行和物流，在业务上已形成可规模化部署的L3-L4级智能驾驶系统，与上汽、宇通、奇瑞新能源等大量头部客户协同创新，并已在多种商业场景中率先落地。
工作职责：负责无人驾驶车辆视觉感知算法设计、优化及落地。
工作内容：
（1）规划设计出适合TensorRT 加速并适用于TX2 上部署的自动驾驶车辆视觉感知系统目标检测及跟 踪方案，并基于TensorRT 实现算法在车载TX2 平台上的落地，其中涉及到基于Plugin 的算法自定义网络层开发，通过对算法及代码的优化加速，使得多目标检测+ 多目标跟踪在TX2 上处理速率达到30FPS 以上，同时检测指标、目标框边缘准确性和稳定性均满足无人驾驶落地需求；
（2）基于目标检测及跟踪算法结果，结合透视变换，设计实现了针对检测目标的视觉测距测速方案，并结合滤波及矫正算法最终实现运动车辆通过80° 摄像头对40m 范围内运动目标相对稳定地测距 测速，同时提出基于粗略估计车辆类型结合预置车宽的视觉测距方案，实现对前方中远距离车辆相对精确地测距测速；
（3）设计并实现了基于2D 图像的车辆3D BoundingBox 检测算法，以及针对无人驾驶感知问题的多任务深度学习算法，实现以单一模型同时高效率解决多目标检测（其中车辆为3D 检测）、可行驶区域分割及车道线检测三个任务，并结合TX2 和FPGA 两种车载计算平台各自特点，分别设计了针对两种平台的落地算法，并将其结果同目标跟踪及测距测速算法结合起来，实现整套视觉感知算法在车载TX2 平台上的落地部署；
（4）基于经验对MobileNet 结构进行改造，在基本不增加计算量的情况下，将基于其构建的Two-stage Detection Model mAP 指标提升接近一倍，同时设计并实现了多任务模型在线量化方案，并同FPGA 开发团队密切协调合作，设计了适用于FPGA 上部署的多Bits 混合模型量化方案，使得在FPGA 上落地后的效率不低于25FPS，同时实现模型量化性能损失最小化。

离职原因：当时一位在美国的师兄加入了文远知行，人选受邀一起加入文远知行，带领感知方向的技术攻关。

工作职责：基于深度学习的视觉算法研究。
工作内容：
（1）负责复杂监控场景下目标检测算法研究：基于当时通用目标检测的深度学习算法，解决复杂监控场景下行人、车辆及骑行工具检测问题，并根据不同场景不同应用需求，兼顾检测指标和效率，针对性设计多组模型。以行人为例，基于实际监控图像集统计，FPPI=1 时检测召回率>92%；
（2）负责多任务集成算法研究：基于单一深度学习模型，同时解决行人ReID、人车一体ReID、行人属性分析、车辆属性分析四个任务，各项指标均优于项目组此前所达到的最高水准，其中行人ReID召回率提升超过10 个百分点（top-10 召回率接近97%），在百万级数据集上提升超过15 个百分点；
（3）负责模型显存压缩：基于同址运算大幅降低深度学习模型Inference 过程GPU 显存占用量，将模型的显存占用量压缩为原来的约30%；
（4）实现通过模型蒸馏来实现深度学习模型压缩，以达到算法加速目的。