车控AI模型部署与性能优化

职位描述

1. 模型部署落地：将车控AI模型（感知、规控、座舱交互等业务链路）转换部署到车规计算平台，完成格式转换、算子适配、精度量化（INT8/FP16）与集成验证，确保模型在目标硬件上正确运行。

2. 性能评测与 profiling：在目标硬件上开展模型推理性能评测，测量 CPU/内存占用、端到端时延、吞吐与带宽消耗，输出规范的性能评测报告。

3. 资源评估数据产出：基于部署与 profiling 实测数据，整理模型资源评估依赖（计算量、内存、带宽、时延约束、执行确定性），支撑芯片选型、配额分配与算力框架决策。

4. 性能优化：针对热点算子与推理瓶颈开展优化（算子替换、图优化、并行调度、缓存策略），提升模型在受限资源下的执行效率。

5. 端到端时延评估：参与车控智能化后的端到端时延度量与验证工作，在整车控制链路上打点测量模型推理带来的时延与抖动，协助建立时延基线和异常归因能力，支撑"智能性 × 确定性"的分层协同设计。

任职要求

- 高年级本科/硕士/博士在读，计算机 / 人工智能 / 车辆工程 / 自动化 / 电子信息相关专业

- 扎实的 Python 与 C/C++ 编程能力，能独立调试和验证部署链路

- 熟悉至少一种深度学习推理框架（ONNX Runtime、TensorRT、NCNN、TFLite、OpenVINO 等），有模型转换 / 量化的实际经验

- 理解模型量化、剪枝等压缩技术的基本原理，了解精度-性能权衡

- 有在边缘设备 / 嵌入式平台部署模型的实际项目经验（PC 端部署、移动端或开发板均可）

加分项

- 熟悉嵌入式 Linux 开发与交叉编译

- 有 AI 芯片（高通、英伟达、地平线、瑞萨等）NPU/GPU 加速经验

- 会用 profiling 工具（perf、Nsight、ARM Streamline 等）分析推理瓶颈

- 了解车载软件、AUTOSAR 或功能安全（ISO 26262）基本概念

- 能实习 6 个月以上

你能得到什么

- 真实车规场景：在车规计算平台（A核/SOC）上部署真实车控 AI 模型，接触从算法到量产部署的全链路（转换 → 量化 → 优化 → 实测 → 资源评估）

- 方法论训练：掌握一套可复用的模型部署与资源评估方法（工作负载 → 性能实测 → 资源依赖 → 决策输入），对求职自动 驾驶/ 车载计算平台方向有直接价值