自动驾驶算法工程师简历模板

硕士期间专注于智能车辆系统方向，系统学习了机器学习、传感器融合等专业课程。参与导师的智能驾驶相关课题研究，负责算法模块的部分代码实现与测试，为自动驾驶算法的学习打下坚实基础。

• 负责自动驾驶感知算法的研发与优化，基于深度学习框架（如TensorFlow、PyTorch）开发目标检测与识别算法，使检测准确率提升至95%以上，在复杂交通场景（如雨天、夜间）下仍保持良好性能。
• 主导多传感器（摄像头、激光雷达、毫米波雷达）融合算法的设计与实现，通过卡尔曼滤波等算法提高目标跟踪的稳定性与精度，减少误报率30%。
• 与团队协作完成自动驾驶系统的集成与测试，在实际道路测试中，优化算法实时性，使算法处理帧率达到30fps以上，满足自动驾驶实时性要求。

• 带领团队开展自动驾驶决策规划算法的研究与开发，设计基于强化学习的决策算法，在城市道路场景下，使车辆决策的合理性与舒适性提升25%。
• 负责算法的工程化落地，优化算法在嵌入式平台（如NVIDIA Xavier）上的部署，降低算法功耗20%，提高运行效率15%。
• 与主机厂合作，参与自动驾驶量产项目，主导算法模块的需求分析与方案制定，成功实现算法在某车型上的量产应用，项目交付周期缩短10%。

• 项目名称：城市自动驾驶感知与决策系统开发
• 担任角色：算法核心成员
• 项目描述：负责感知算法中的目标分类子模块，采用改进的YOLOv5算法，针对城市道路常见目标（行人、车辆、交通标志等）进行训练与优化。通过数据增强（如旋转、缩放、添加噪声）扩充数据集至10万+，使模型在小目标检测上的mAP提升15%。同时参与决策算法的部分逻辑设计，与感知、规划模块协同优化，在城市道路实测中，系统的平均接管里程达到50公里以上。

• 项目名称：高速公路自动驾驶量产项目
• 担任角色：算法负责人
• 项目描述：主导高速公路自动驾驶算法的研发与优化。在感知方面，融合摄像头与毫米波雷达数据，采用多目标跟踪算法（如SORT），使目标跟踪的ID切换率降低至5%以下。决策规划上，设计基于规则与机器学习的混合决策算法，实现自动变道、跟车巡航等功能。通过实车测试（累计测试里程10万公里+），优化算法鲁棒性，最终算法满足ASIL-B功能安全等级要求，成功实现项目量产，搭载该算法的车型已上市销售。