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。

背景：电气系统复杂度提升，需优化配电架构与保护策略以提升系统安全性与可靠性。 核心内容：参与配电系统拓扑设计与仿真分析，协助进行短路计算与保护选择性分析；参与保护参数整定与测试验证，优化系统故障响应能力。

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： 本项目立足于新一代智能机器人平台，致力于攻克机器人在非结构化环境下的复杂任务执行难题。通过整合尖端的感知与决策算法，项目旨在打破底层运动控制与高层语义理解之间的壁垒，赋予机器人更敏捷、更智能的交互能力，实现从实验室 demo 到复杂真实场景的应用跨越。 核心内容： 具身智能与强化学习应用：深度参与基于强化学习（Deep RL）或模仿学习（Imitation Learning）的任务规划算法研发；针对机器人的灵巧操作、自主避障与路径规划进行策略训练，优化复杂动态环境下的任务成功率。 多模态感知与环境建模：负责集成视觉、触觉、力觉等多模态传感器数据，构建高精度的环境语义地图与目标检测模型；探索视觉语言模型（VLM）在机器人指令理解中的落地，实现更自然、高效的人机交互。 系统集成与实物平台验证：在 ROS/ROS2 环境下进行算法的开发与部署，利用仿真环境（如 Isaac Gym, Gazebo, Mujoco）进行大规模并行训练，并最终迁移至实体机器人平台进行全链路功能验证与性能调优。

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。

背景：液压系统作为装备核心传动部件，其设计质量直接影响整机性能与可靠性，需建立高效的设计流程与标准化的图纸体系，以支撑多型号快速迭代。 核心内容：参与液压系统方案设计，完成关键零部件的三维结构设计与优化，输出二维工程图纸及完整物料清单（BOM）；协助制定图纸标准化规范与设计评审流程，跟踪样机试制过程中的设计问题并推动整改，确保设计可制造性与可追溯性。

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；

项目背景： 当前自动驾驶技术正经历从“模块化架构”向“端到端范式”的底层逻辑演进。区别于传统的解耦模式，端到端模型致力于通过统一的深度学习架构，实现从原始传感器数据到控制信号或行驶轨迹的直接映射。该技术方案旨在通过全局最优的参数学习，显著提升系统在复杂环境下的泛化能力，并为用户提供更加类人且高性能的驾驶体验。 核心内容： 多模态大模型研发： 参与构建基于多模态大模型的端到端驾驶决策模型，探索如何高效融合视觉、点云等多种感知信息，以实现更高维度的驾驶决策逻辑。 闭环训练与行为优化： 协助搭建大规模仿真与真实世界相结合的闭环训练平台，运用强化学习与模仿学习算法对驾驶行为进行持续迭代，确保模型在长尾工况下的表现稳定性。 安全性与可解释性攻关： 深入研究深度学习模型的可解释性方案，设计严谨的安全护栏机制，在追求算法前沿性的同时，确保系统输出严格符合车规级功能安全标准。

项目背景： 负责公司量产车型域控制器的软件研发工作。基于 AUTOSAR 分层架构标准，结合 MBD（基于模型设计） 的开发流程，实现整车控制逻辑与底层硬件的高效集成。 核心内容： 全生命周期硬件应用与开发：主导汽车关键控制器（PCU 动力控制、VCU 整车控制等）的电路设计与迭代；深入分析模拟/数字电路模块，基于整车架构优化原理图，提出兼顾性能与成本的高效硬件方案。 系统兼容性与集成策略：负责传感器、泵、阀等各类执行器与 ECU 间的物理层及逻辑层兼容性定义；基于 CAN/LIN/SPI 等总线技术标准，确保跨模块信号传输的稳定性与抗干扰能力。 复杂问题的根因分析与攻关：协同全球（印度/德国）专家团队，运用实验室仿真及整车实测手段，对硬件设计缺陷及市场端不良件进行失效模式分析（FMEA）；针对客户需求进行硬件可行性评估及技术风险预研。

背景：电液控制系统在工程机械等领域应用广泛，需提升作动器的响应速度与控制精度，以满足复杂工况需求。 核心内容：参与多路阀电液作动器研发项目，基于测试结果进行仿真模型的搭建与优化，开展元件设计优化，提升产品性能。