* Collect raw material basic data * analysis and find linkage between material and products * analysis and find linkage between failure factors and material performance

参与 Linux 系统监控工具开发（基于 eBPF / tracing） 开发 日志分析与问题定位工具 实现 日志解析、检索与可视化 开发 工程自动化脚本和开发工具 支持 系统性能分析与问题排查

• 组织周期性的价值流System CIP workshop和Speed/Jishuken活动以提升物料流及信息流的系统化改善 • 确保Point-CIP执行的效果和效率，以加速问题解决和目标状态的稳定 •通过对制造，物流，间接系统，流程的现状的观察与评估，设计和实现未来状态，以此来提升部门的BPS成熟度 • 领导BPS成熟度审核 • 领导BPS元素在部门内的执行，发展和优化BPS元素的标准 • 协调IPN BPS benchmark学习和培训资源，作为联系窗口，协调外部审核以及benchmark和最优案例的交流和分享 • 协同智能制造应用在生产系统中的使用

软件/仿真等相关学术背景 背景：当前制造业向工业4.0转型中，传统自动化产线存在布局刚性、人机协同低效、精度不足等问题，制约产线生产效率提升。部分产线虽引入自动化/智能化，但AGV、Robot、Vision模块独立运行，缺乏机械协同设计，未能发挥智能自动化集成优势，还增加了运维成本与故障风险。 为突破效率瓶颈，契合柔性制造与智能升级战略，本项目聚焦智能自动化领域，开展AGV/Robot/Vision组合方案研究，依托机械设计能力，实现三大模块机械优化、集成适配与协同联动，推动产线向高效、柔性、智能转型，提升生产效率，降低成本与内耗。 职责：负责PLC/PC 软件开发工作，参与自动化项目软件开发，完成程序编写，调试以及现场整站联调，对接工厂实际应用场景。 要求： 熟悉PLC基础，了解工业机器人/协作机器人等相关知识，动手能力强，学习积极，跟进现场调试和项目落地

核心职责： 梳理现有产线机械布局、设备参数及生产需求，结合AGV、Robot、Vision特性，开展组合方案机械设计可行性分析与优化规划； 负责组合方案机械结构设计（含机器人末端执行器、模块衔接结构等），确保各模块适配性、稳定性及精度，契合精益设计原则； 基于智能自动化理念，优化机械布局，统筹空间利用、运动轨迹及安全性，推动方案标准化、模块化，提升可复制性； 参与样机试制、调试，迭代优化机械结构问题，保障方案落地后提升产线生产效率； 协助编制技术文档（图纸、BOM清单等），衔接相关模块，支持方案推广与持续优化，保障系统协同运行。

项目背景： 本项目聚焦于智能驾驶系统的核心执行逻辑，深度参与包括预测、规划、控制（PNC）在内的辅助驾驶核心功能模块开发。随着技术范式由规则驱动向数据驱动转型，项目致力于通过高阶算法的应用，提升车辆在复杂交通流中的决策准确性与运动平顺性，为用户打造更加安全、智能且类人化的驾驶体验。 核心内容： 端到端决策模型研发： 参与构建基于多模态大模型的端到端驾驶决策体系，协同优化从感知输入到规划输出的全链路算法，探索下一代智驾系统的架构实现。 闭环训练与行为进化： 协助搭建大规模仿真与真实世界数据闭环平台，运用强化学习与模仿学习技术持续迭代驾驶策略，提升系统处理复杂长尾场景的决策能力。 可解释性与安全保障： 深度研究深度学习模型的可解释性方案，并设计严谨的安全护栏机制（Safety Guard），确保前沿算法在落地应用中严格符合车规级功能安全与质量标准。

项目背景： 随着智能座舱与智能驾驶技术的快速发展，产品集成度与复杂性持续提升，对组装工艺提出了更高要求。在智能产品的组装过程中，点胶技术作为关键工艺环节，广泛应用于传感器、显示屏、控制模块等核心部件的封装与固定，其工艺稳定性直接影响产品性能与可靠性。 核心内容： 工艺研究：深入研究多种点胶工艺，包括热熔胶、UV胶、导热胶等不同胶材的工艺特性；掌握点胶工艺的核心管控点，如胶量控制、定位精度、固化条件等关键参数 设备应用：学习各类点胶设备的原理与操作，涵盖自动点胶机、压电阀、喷雾阀等主流设备；参与点胶设备的调试、维护及常见问题处理，积累现场工程经验 问题解决：分析点胶过程中的常见缺陷（如溢胶、气泡、断胶）并制定改进措施；协同跨部门团队推动工艺问题的闭环解决，保障生产顺畅与产品质量 工艺导入：参与新项目点胶工艺的方案设计与验证，推动工艺从开发向量产平稳导入

项目背景： 致力于构建基于数据驱动的智能决策中枢，通过融合运筹优化（Operations Research）与机器学习（Machine Learning）技术，解决大规模场景下的资源调度、路径规划、库存优化及生产排程等核心难题。项目旨在提升系统的全局响应速度与资源利用率，实现决策过程的自动化、精细化与智能化升级。。 核心内容： 数学建模与策略解构：针对复杂业务场景（如供应链物流、产能分配、能源管理等），通过严密的逻辑推导建立数学模型；将实际业务约束转化为线性规划（LP）、整数规划（MIP）或非线性优化问题，并定义清晰的优化目标函数。 先进优化算法研发与求解：利用商用求解器（如 Gurobi, CPLEX）或开源框架（如 OR-Tools）进行算法开发与求解；针对大规模组合优化问题，设计并实现启发式（Heuristics）、元启发式或基于强化学习（DRL）的搜索算法，以平衡求解精度与计算效率。 仿真验证与决策闭环构建：搭建仿真环境对算法进行多维度压力测试与场景验证；通过对实时数据流的统计建模与预测，持续迭代优化模型参数，确保决策方案在不确定性环境下的鲁棒性与可落地性。

项目背景： 随着智能座舱与智能驾驶技术加速迭代，产品功能复杂度与系统集成度持续提升，对测试开发的成熟度提出了更高要求。为保障产品质量与交付效率，公司正推进面向下一代智能汽车的测试体系建设，打造兼具深度与广度的测试开发能力。 核心内容： 技术开发：参与智能座舱产品测试平台的搭建与优化，具备较强的上位机自研能力与硬件测试能力，从测试软硬件层面持续迭代，提升测试效率与覆盖度协助测试程序的开发与维护，推动测试平台的自动化与智能化升级，为产品竞争力提供技术支撑 项目管理：对接并落地本地化新项目，参与项目全流程测试需求对接与方案制定，确保测试开发与产品研发节奏协同推进 运营保障：持续跟进量产产品质量表现，参与测试数据的分析与问题闭环，推动测试体系在量产阶段的有效运转，保障产品稳定出货

背景：随着测试需求的多样化，试验台电气系统需不断升级优化，以提高测试效率与灵活性。 核心内容：参与测试试验台电器系统升级优化项目，编写LabVIEW/PLC控制程序开发新功能，并利用AI方法实现快速迭代和调试，提升系统自动化水平。

项目背景： 本项目旨在突破传统架构中各模块信息损耗的瓶颈，探索利用统一的深度学习网络，直接将传感器采集的原始数据映射为车辆的控制信号。 核心内容： 大模型算法研发： 参与构建基于多模态大模型的驾驶决策模型，实现感知、预测与规划在单一神经网络内的联合优化，提升系统对复杂交通场景的理解深度。 数据闭环与强化学习： 构建大规模仿真环境与真实世界的闭环训练平台，利用模仿学习与强化学习技术优化驾驶行为。 可解释性与安全机制： 研究深度学习模型决策的可解释性方案，并设计安全护栏机制，确保算法输出符合严苛的车规级安全标准。

项目背景： 当前，人工智能与机器人技术的深度融合正推动制造业向智能化、柔性化方向演进。具身智能作为AI与现实世界交互的关键载体，在量产流水线中展现出广阔的应用前景。我们正积极探索具身机器人在真实生产环境中的落地路径，力求通过智能化改造提升产线效率与决策能力，为智能制造注入新动能。 核心内容： 将参与具身机器人在工厂流水线的综合应用开发，围绕产品搬运、路径规划、设备协同等典型场景展开技术探索。工作内容涵盖机器视觉环境感知、基于大语言模型的自然交互、物联网数据融合、AI算法决策优化等跨学科技术模块，并结合机械与电气工程知识，保障系统在实际产线中的稳定运行与安全性。深入理解具身智能在工业场景中的落地逻辑与技术挑战。

背景：在减速器研发过程中，大量产品参数分散，缺乏统一管理，需建立标准化数据模型以支持数据驱动研发。 核心内容：构建减速器产品参数的标准化数据模型，推动数据质量闭环管理与流程优化落地，提升研发数据的一致性与可用性。

项目背景: 新能源压缩机作为热管理系统的核心部件，其研发需从0到1突破多项技术难点，并紧跟市场需求实现工业化落地。我们正组建跨专业团队，推动新型压缩机的自主研发与产业化。 基于NVH的专业能力主导新产品的NVH开发及问题解决

项目背景: 面对基于平台产品的多样化客户需求，如何高效、准确地完成客户定制图纸的绘制，已成为提升响应速度与客户满意度的关键环节。 核心内容： 探索基于AI的数模转换技术，实现图纸的快速生成与适配； 参与AI出图工具的开发、测试与优化； 推动图纸绘制流程的智能化升级，提升出图效率与准确性

项目背景： 聚焦企业工程数字化与办公智能化升级，致力于构建面向复杂业务场景的下一代智能决策与内容理解系统。 在实际工程环境中，我们关注从“模型能力”到“业务价值”的转化路径，推动前沿 AI 技术在办公与工厂生产制造智能辅助决策中的规模化落地，实现从 PoC 到生产级系统的稳定演进。 核心内容： 多模态建模与VLM落地应用 深度参与视觉语言模型（VLM）及多模态大模型在企业场景中的应用研发；围绕文档理解（PDF、扫描件、表格）、图文对齐、语义检索等任务，设计并优化模型结构与推理流程，实现复杂非结构化数据的高质量解析与信息抽取。 参与 Agent 系统的推理控制与编排策略设计，包括思考模式（thinking mode）控制、工具调用（Tool Use）流程管理，以及多层级 Memory 策略的设计与优化， 短期/长期记忆机制的设计， Memory 生命周期管理，提升系统响应效率、推理稳定性与系统可扩展性。 参与工厂的生产制造与质检过程中的人工代替方案，落地Transformer、CNN模型进入生产制造环节 机器学习与特征建模 结合经典机器学习方法，对业务数据进行建模与分析；引入统计学习、概率建模与不确定性估计方法，提高模型在真实场景中的鲁棒性与泛化能力；参与特征工程、数据分布分析及模型评估体系构建。 推动技术工程化与系统落地 推动前沿算法（如 LLM/VLM、RAG、多模态 embedding、Agent 框架等）向工程系统转化；负责模型服务化、推理优化（如 batching、量化、蒸馏）、以及在实际业务系统中的集成与部署，确保系统在性能、稳定性与可扩展性方面满足生产要求。 任职要求： 计算机科学、统计学、人工智能或相关专业背景（硕士及以上优先） 扎实的机器学习基础，熟悉常见模型（如 Transformer、CNN、序列模型等） 有视觉语言模型（VLM）、多模态学习或大模型（LLM）相关经验优先 熟悉至少一种深度学习框架（PyTorch / TensorFlow），具备良好的工程能力 理解统计学习方法（如贝叶斯建模、概率图模型、A/B testing 等）者优先 有实际项目落地经验（如 RAG 系统、文档解析、搜索推荐等）者优先 良好的问题拆解能力与工程抽象能力，能够推动复杂系统从0到1落地 加分项： 有文档理解（OCR、版面分析、信息抽取）相关经验 有大规模数据处理经验（Spark / Ray / 分布式训练） 参与过企业级 AI 系统或平台化建设 有强化学习经历

项目背景： 随着智能生产与供应链管理数字化升级的深入推进，传统运营管理方式在数据可视化、流程透明化方面面临挑战，亟需智能化工具支撑卓越运营体系的落地。我们正构建面向端到端价值链的智能运营系统，通过数据模型与可视化手段，打通过程流、物料流与信息流，实现从局部优化向全局协同的转变，为运营效率的持续提升提供系统化解决方案。 核心内容： 模型开发：构建数据驱动模型，实现端到端价值链的可视化呈现 流程梳理：可视化过程流、物料流和信息流，提升全流程透明度 库存管理：建立库存透明化机制，为库存优化提供数据支撑 效率提升：通过智能化工具推动运营效率的持续改进

液压系统能量回收技术是提高能效的关键，需研发新型能量回收柱塞泵，优化控制机构以提升能量回收效率。 核心内容：参与新型能量回收柱塞泵研发项目，进行控制机构研究及仿真计算，优化泵的动态特性与能量回收性能。

项目背景: 随着仿真在产品开发中的应用日益深入，通用仿真平台已难以完全满足特定场景的快速建模与参数化分析需求。公司正推进仿真平台的二次开发，通过参数化建模提升仿真效率，支撑产品开发的快速迭代。 核心内容： 参与已有仿真平台的二次开发，构建参数化建模及仿真模型； 基于编程能力实现软件功能的定制化拓展； 优化仿真流程，提升建模效率与分析精度

项目背景: NVH性能是影响产品舒适性与品质感的关键指标，在新产品开发中需从设计源头识别风险并优化方案。公司正系统推进NVH开发能力建设，结合仿真与测试手段，提升产品声振品质。 核心内容： 1.基于NVH的专业能力主导新产品的NVH开发及问题解决； 2.基于设计方案进行NVH仿真，识别NVH设计风险并提出优化方案； 3.基于测试结果进行NVH数据分析，包括信号处理，要因分析，改善确认；