岗位职责：
1. 算法设计与开发
o 基于智能割草机场景（障碍物识别、草地分类等）设计深度学习模型，优化 CNN/Transformer 类算法（如 MobileNet、YOLO、DETR），提升感知与决策能力。
o 定制化开发主干网络（MobileNetV2/V3、ViT）、目标检测（YOLOv5/7/8/11）、语义分割（Deeplabv3+）及实例分割模块，支持 Backbone/FPN/Head 替换与性能优化。
2. 模型训练与优化
o 负责数据采集、标注及预处理，运用数据增强、迁移学习等技术提升模型泛化能力。
o 完成模型量化、剪枝、蒸馏等轻量化处理，适配嵌入式控制器部署，优化计算效率与实时性。
3. BEV 与多模态融合
o 基于 BEV+Transformer 架构（如 FastBEV、BEVFusion）设计环境感知方案，整合视觉与传感器数据实现三维场景理解。
4. 测试与工程落地
o 制定算法测试方案，通过模拟 / 实地测试验证模型准确性与稳定性，迭代优化算法缺陷。
o 主导 AI 训练全流程（数据→训练→量化→部署），确保算法在割草机器人上的工程化落地。
5. 技术文档与协作
o 编写算法设计文档、开发指南及优化报告，支持团队技术交流与产品迭代。
岗位要求
核心技术能力
1. 深度学习框架与网络架构
o 精通 TensorFlow/PyTorch，熟练掌握 MobileNetV2/V3、ViT 等主干网络原理，能独立完成网络结构设计与模块替换。
o 深入理解 YOLOv5/7/8/11 目标检测框架、Deeplabv3 + 语义分割模型及实例分割算法（如 Mask R-CNN），具备 Head 模块优化经验。
o 熟悉 BEV+Transformer 技术（如 FastBEV、BEVFusion），能设计多摄像头融合的三维环境建模方案。
2. AI 全流程与优化技术
o 掌握从数据采集、标注到模型训练、量化、部署的全流程，熟悉模型轻量化技术（如 INT8 量化、知识蒸馏）。
o 具备小样本学习、迁移学习实战经验，能针对割草机场景数据稀缺问题设计优化方案。
3. 编程与工程能力
o 熟练使用 Python/C++，熟悉 Linux 开发环境，能运用 OpenCV 等库进行算法加速。
o 有嵌入式平台（如 地平线X3M/X5M/高通/TI）深度学习部署经验，能优化模型推理效率。
加分项
61 具备 Stable Diffusion 等大模型 Lora 微调经验，熟悉文本 - 图像生成模型在机器人场景的应用。
61 有机器人、智能硬件或农业自动化领域深度学习项目经验，了解户外环境算法抗干扰优化（如光线变化、遮挡处理）。
基础要求
61 本科及以上学历，计算机 / 电子信息 / 自动化等相关专业，3 年以上深度学习算法开发经验（机器人领域优先）。
61 具备扎实的数学基础（线性代数、概率论），能独立推导深度神经网络原理与优化算法。
61 良好的团队协作能力，能与硬件、测试团队协同完成算法落地，英语读写能力良好（可阅读技术文献）