牛敬业
188****6538niu****@***.com北京30男AI自动驾驶训练师在职北京20k - 30k •作为核心成员完成大学生创新创业项目——基于深度学习的交通标志识别系统，主导数据清洗、标注规范制定与模型训练，获校级优秀项目，并由此深入理解数据质量对模型性能的影响。
•在计算机视觉、机器学习等课程中，先后完成车道线检测、校园地图路径优化等课程设计，利用真实路采数据反复调优感知算法，锻炼了从问题定义到工程交付的闭环能力。
理想汽车 - 自动驾驶感知技术部智能电动汽车全栈自研智驾
2018 - 01-2020 - 12
AI自动驾驶训练师多模态数据标注数据清洗自动化感知模型训练支持
北京
•主导搭建了自动驾驶感知模型的数据标注体系，结合激光雷达与摄像头多模态数据，制定了细粒度的标注标准，带领团队完成超过20万帧点云及图像的精准标注，标注一致性达到99.5%，为3D目标检测模型提供了坚实的数据底座。
•针对训练数据中的噪声与冗余，自研了一套基于聚类与统计的清洗算法，将数据清洗流程从人工主导转变为半自动化，使单次训练数据准备周期缩短了40%，显著加快了模型迭代节奏。
•与感知算法团队建立联合复盘机制，根据模型在高速公路场景的误检与漏检案例，反向优化数据标注规则，推动车道线检测模型的准确率提升了3.2个百分点。
AI自动驾驶训练师场景库构建模仿学习与强化学习数据质量监控
北京
•牵头构建了覆盖城市、乡村、高速、隧道等八大类典型场景的结构化场景库，包含超过150种细分路况，并完成场景样本的均衡性分析，为模型训练提供了丰富且无偏的场景数据。
•引入模仿学习与强化学习相结合的混合训练方案，针对无保护左转、拥堵加塞等复杂交互场景，设计奖励函数并优化数据采样策略，使模型在相关场景下的决策合理率提升至92%。
•建立训练数据质量监控看板，定期评估数据分布漂移与标注偏差，及时发现并修正了6处由于标注员理解偏差导致的系统性错误，保障了模型训练的稳定性与可解释性。
•负责高速导航辅助驾驶项目的数据预处理与标注质量把控，针对实车采集的PB级数据制定分区清洗策略。
•对原始路采数据执行去重、去模糊、去畸变等操作，剔除不完整帧及无效帧超过12万条，构建了清晰的高质量训练集。
•制定并发布激光雷达点云3D框标注规范，组织标注团队完成15万帧点云数据的标注，将标注误差严格控制在3厘米以内，为后续点云识别模型提供了精准的几何真值。
•主导城市道路端到端感知模型的训练优化，针对模型在夜间、雨天及强逆光场景下的性能衰减进行深度诊断。
•通过分析训练过程中的梯度分布与损失曲线，定位出数据加载瓶颈与标签噪声问题，解决了4个关键训练瓶颈点。
•引入课程学习策略，先以晴天数据预训练，再逐步增加低光照样本，使模型在夜间场景的行人检测召回率从78%提升至91%，同时单次训练耗时缩短了约30%，有力支撑了项目交付节点。
对自动驾驶安全落地抱有执着热情，坚信高质量数据是模型进化的生命线，对数据标注与分析有近乎苛刻的严谨。能快速从海量数据中诊断模型缺陷，灵活调整标注与评测策略，并与算法团队高效闭环问题。习惯钻研长尾场景，以每一次标注都为可靠训练信号为追求，期望在AI训练师岗位深耕提升。
仿真测试与场景构建:
熟练驾驭CARLA、AirSim等开源仿真平台，能依据路采数据快速复现高保真交通场景，并注入动态交通流、随机行人闯入等扰动因素。
累计构建500+定制化危险场景库，覆盖雨雾、夜间逆光、鬼探头等极端工况，为自动驾驶模型提供常态化回归测试，确保其在Corner Case下的表现稳定可追溯。
