•主导校级智能驾驶车队项目，负责激光雷达与视觉融合算法设计，在复杂路况下实现厘米级定位精度，助力团队斩获全国大学生智能汽车竞赛特等奖
•在CVPR 2023发表论文《Dynamic Scene Understanding for Autonomous Driving》，提出动态障碍物实时跟踪框架，有效降低感知延迟达40%
•参与企业联合实验室课题，完成毫米波雷达与IMU时序数据对齐优化，使多传感器融合误差缩减至0.3米以内
智能驾驶感知算法工程师多模态融合车规级部署数据闭环
北京
•负责激光雷达与视觉的时空同步算法，解决高速运动下的运动畸变问题，优化点云滤波策略，针对雨雾天气场景，障碍物召回率提升 18%。
•主导模型 TensorRT 加速，在 Orin 芯片上实现端到端延迟降低 25%，满足实时性要求。
•搭建自动化数据验证流水线，通过难例挖掘（Hard Mining）机制，迭代效率提升 40%。
•参与城市 NOA 感知模块研发，设计基于 BEV 视角的 Occupancy Network，解决复杂路口的细粒度重建问题。
•构建 Corner Case 仿真测试库，覆盖极端天气与遮挡场景，感知鲁棒性提升 35%。
•负责感知模型在边缘计算盒上的量化部署，通过 INT8 量化技术，推理能耗降低 50%，满足车规级功耗要求。
城市复杂路口多目标融合跟踪系统 - 算法核心研发人员
2019.01-2020.12
•项目背景：解决城市路口行人车辆混行时的目标 ID 切换问题，提升跟踪稳定性。
•技术方案：改进 DeepSORT 算法，引入 Re-ID 特征匹配与卡尔曼滤波预测，结合多帧时序特征融合。
•个人贡献：负责多模态特征对齐模块，优化关联矩阵计算，ID 切换率降低 20%。
•项目成果：已在 Robotaxi 车队运行，覆盖 50+ 城市路口，误匹配率显著下降。
•项目背景：提升高速巡航时远距离车辆与障碍物的发现能力，保障长距离感知安全。
•技术方案：基于 RT-DETR 架构，引入多尺度特征金字塔与注意力机制，增强远距离特征表达。
•个人贡献：设计针对小目标的损失函数改进方案，优化正负样本分配策略，模型推理速度提升 35%。
•项目成果：模型在高速公开数据集上 mAP 提升 12%，已集成至量产车感知栈。
深度学习框架 (PyTorch/TensorRT) 技术成果与开源贡献:
主导开发多模态感知系统核心算法，获授权软件著作权5项，涵盖激光雷达点云滤波与视觉特征提取关键技术
维护自动驾驶感知工具链开源项目，GitHub仓库获1.2k Stars，集成卡尔曼滤波与深度学习模型实现端到端感知流水线
