张明 · 自动驾驶系统工程师

• 在智驾创新实验室实习期间，基于PointPillars框架设计并实现16线激光雷达与单目相机的多模态融合3D目标检测模块，内部验证集平均精度(mAP@0.5)达到89.3%，相比纯激光方案提升6.7个百分点。

• 利用C++与ROS搭建实时感知管线，将检测结果输入卡尔曼滤波器进行多目标跟踪，在复杂城区场景下实现15帧/秒稳定输出，跟踪准确度(MOTA)达92.1%。

• 使用OpenCV与TensorFlow对相机图像进行自适应去畸变与亮度归一化预处理，并将PointPillars推理迁移至TensorRT，使单帧处理耗时从45ms降至28ms，满足10Hz实时需求。

• 针对夜间与雨雾低能见度条件，设计相机-激光雷达动态置信度加权融合策略，使行人检测召回率从81.5%提升至93.8%（提升12.3%），误检率控制在1.5%以下。

• 参与构建自动化标注辅助工具，通过点云投影生成2D-3D关联标签并校验，将标注效率提升约3倍，累计产出超过2000帧高质量训练样本。

• 在Gazebo仿真环境中搭建城市微循环无人车测试平台，基于A*算法设计全局路径规划模块，结合Lattice Planner生成平滑局部轨迹，将路径搜索耗时从120ms降至65ms（降幅46%），提升规划实时性。

• 采用双闭环PID控制策略实现轨迹跟踪，前馈加反馈补偿横向误差，在弯道场景下将横向跟踪偏差控制在0.08m以内，满足微循环无人车低速高精度控制需求。

• 利用V-Rep仿真器构建动态障碍物场景，集成ROS节点间通信框架，实现路径重规划与避障联动，在随机行人穿插测试中成功避让率超95%。

• 通过C++重写关键规划与控制模块，将单帧轨迹生成及控制指令计算周期压缩至20ms，较原Python原型减少40%延迟，确保实时控制稳定性。

• 设计对比实验验证A*与Lattice Planner联合效果，在连续10次不同起点终点测试中，平均行驶路径长度与理论最优解偏差低于3%，验证规划算法的接近最优性。

• 针对城市峡谷多径干扰导致GNSS频繁失锁的痛点，基于C++与ROS设计并实现扩展卡尔曼滤波紧耦合框架，融合IMU预积分、轮速计及GNSS观测，将定位中断期间的位置漂移从3.2米降至0.6米（漂移降低81%）。

• 主导开发因子图优化后处理模块，利用g2o库对20万帧传感器数据进行批量平滑，优化后轨迹全局RMSE较纯EKF结果下降42%，并在离线模式下将单次完整优化耗时压缩至8分钟。

• 搭建基于Linux的实时定位节点，通过多线程并发处理IMU、轮速与GNSS消息，以30Hz频率输出6DoF位姿，端到端延迟始终低于5ms，满足无人车控制层对实时性的硬约束。

• 编写Python离线评测管线，自动对齐融合轨迹与高精度RTK真值，生成APR、ATE等指标图表，协助团队在三轮迭代中将静态定位精度从0.15m优化至0.06m（1σ），并通过内部验收测试。

• 数据结构（93分）

• 操作系统（A）

• 计算机网络（91分）

• 数据库系统原理（90分）

• 毕业设计：《基于图神经网络的社交推荐系统》（获校级优秀毕业论文）

在无人车组竞速与避障项目中获得华东赛区二等奖