陈泽宇 · 自动驾驶系统工程师

某自动驾驶解决方案提供商/自动驾驶软件工程师

• 采用C++与ROS重构摄像头目标检测流水线，将YOLOv3推理延迟从120ms降至45ms，在嵌入式Jetson平台实现30FPS实时处理，mAP保持75%以上。

• 基于PCL与OpenCV开发激光雷达点云语义分割算法，融合多帧点云特征，在KITTI基准上语义分割IoU达78.2%，较基线提升6个百分点。

• 主导多传感器融合方案，通过时间戳对齐与空间联合标定，将摄像头与激光雷达的障碍物检测准确率从86%提升至93%，误报率降低40%。

• 优化感知数据处理管线内存与调度，利用C++多线程与池化技术，使多路传感器数据同步处理吞吐量提高2.3倍，累计支撑超5000公里城市道路测试数据采集。

• 编写Python脚本实现测试场景与评估指标自动化生成，在内部数据集上迭代20余版感知模型，将召回率从89%提升至96%，支撑后续融合算法验证。

某出行科技公司/高级自动驾驶系统工程师

• 主导设计基于微服务架构的自动驾驶系统软件框架，将感知、定位、规划模块解耦，使系统可维护性提升50%，模块间通信延迟降至5ms以内，支撑车队日均百公里级道路测试。

• 构建多层级故障诊断系统，通过实时监控传感器健康状态与卡尔曼滤波残差阈值，实现故障自动隔离与降级策略，将系统重大故障率从2.3%降至0.5%，故障响应时间缩短至2秒内。

• 牵头优化传感器数据采集流水线，重新设计相机、LiDAR与IMU联合标定流程并集成RTK-GPS双天线方案，使定位初始化时间减少70%，数据吞吐量提升至200MB/s，采集效率提高35%。

• 设计自适应卡尔曼滤波器融合IMU、RTK-GPS与轮速计，在复杂城市道路场景下实现定位精度RMSE<8cm（95%置信区间），较原有方案提升40%，并支撑高精地图众包更新。

某互联网大厂/自动驾驶系统工程师（资深）

• 针对行为预测与决策规划模块偶发超时问题，主导搭建全链路性能监控与日志回放系统，通过异步任务调度与关键路径缓存机制，将模块平均响应延迟降低42%，系统稳定性从99.2%提升至99.95%。

• 为加速下一代算法平台迭代，设计实现基于高保真仿真引擎的自动化回归测试框架，覆盖1200+预设场景与300万公里等效里程的每日仿真验证，使算法上线前缺陷检出率提高至87%，版本发布周期由两周缩短至4天。

• 负责系统级压力测试与边缘案例挖掘，联合感知、规划团队构建异常场景注入工具，累计发现并修复16个间歇性崩溃与状态跳变缺陷，保障了城市NOA功能在连续72小时路测中零降级。

• 主导端到端行为预测模型在线推理性能优化，通过模型剪枝、INT8量化与算子融合，在精度损失<0.5%的前提下，将单次推理耗时从18ms降至6ms，满足量产车规级实时性要求。

• 牵头制定系统稳定性度量标准与告警阈值体系，建立分级故障自愈机制，使感知-规划全链路中由传感器噪声导致的轨迹抖动事件减少63%，用户接管率同比下降52%。

高精度定位模块开发/核心开发者

• 在城市复杂道路场景下，主导设计基于GNSS/IMU/视觉里程计的多传感器融合定位系统，通过因子图优化框架（Ceres Solver）求解，将定位精度提升至10cm以内（RMSE），并在1000+公里实测中保持>99.5%可用率。

• 针对城市峡谷GNSS信号丢失问题，构建视觉惯性里程计与GNSS松耦合方案，通过滑动窗口因子图优化实现无缝切换，将定位中断时间减少75%，支撑L4级自动驾驶在约80%城市路段连续运营。

• 负责定位模块实时性能优化，将因子图求解延迟从平均35ms降至12ms，满足嵌入式平台20Hz更新率，CPU占用率控制在15%以下。

• 开发基于多参考站RTK与视觉里程计深度融合的厘米级定位算法，在城市高架桥下等弱GNSS场景实现优于15cm定位精度，参与某整车厂量产项目，通过2000小时耐久测试，定位失败率低于0.1%。

端到端感知模型部署/技术负责人

• 主导某量产车型ADAS项目，将YOLOv5s从PyTorch转换至ONNX并利用TensorRT量化至INT8，在NVIDIA Jetson Xavier上推理延迟从45ms降至8ms，帧率125 FPS，满足25ms实时性指标。

• 开发基于CUDA的自定义预处理核，将图像归一化与缩放融合至GPU流水线，消除CPU-GPU数据拷贝瓶颈，端到端延迟再降低30%，实测单帧处理仅5.6ms。

• 引入结构化剪枝与知识蒸馏，将模型参数量压缩52%，mAP下降<0.9%，成功部署于Jetson NX平台，功耗从15W降至9W，续航提升40%。

• 搭建自动化部署流水线，集成TensorRT动态形状与多流推理，支持4路相机同时处理，系统吞吐量稳定达到200 FPS，完成5000小时路试零故障。

自动驾驶场景仿真器/主要贡献者

• 主导搭建基于CARLA与Unreal Engine的高保真仿真平台，设计自动化场景生成管线，生成260余种典型城市道路场景（含雨雾、夜间、施工区等极端条件），覆盖98%已知Corner Case，使算法回归测试周期从3天缩短至8小时，效率提升72%。

• 实现全链路闭环仿真框架，将感知、预测、规划、控制模块无缝集成，通过真实路采数据回放与随机扰动注入，在12个月内累计复现并定位46个系统级交互缺陷，推动实车路试风险降低85%。

• 优化仿真引擎渲染与物理同步机制，单帧处理延迟从140ms降至38ms，支持6辆虚拟测试车并发运行，满足HIL（硬件在环）实时性要求，单次回归测试覆盖数从2000提升至15000次。

• 构建场景标签化与自动分级系统，实现场景库按需组合与动态扩展，支持日均700次以上自动化测试任务，场景管理效率提升55%，产出23份高价值场景分析报告指导算法迭代。

因在系统稳定性提升中的突出贡献

全国智能驾驶挑战赛

一种基于多传感器融合的定位方法