蔚来AGI超星计划-面向车身运动控制（VMC）的物理AI与多场景重建强化学习研究

上海 · 实习 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

- 专业能力：
- 具备强化学习、控制理论、车辆动力学或机器人学基础，熟悉PPO/SAC/Model-based RL等方法
- 数学基础扎实：系统动力学、最优控制、概率统计、优化方法
- 熟悉至少一种建模/仿真工具：Simulink、Simscape、CarSim、Isaac Sim、Mujoco等
- 具备Python或C++开发能力，熟悉PyTorch或TensorFlow
- 理解驾驶场景分析、风险建模、测试验证或数据闭环优化
- 加分项：
- 有VMC、底盘控制、线控底盘或运动控制经验
- 有参数辨识、系统辨识、数字孪生或高保真动力学建模经验
- 有场景库建设、智能辅助驾驶测试验证、风险场景挖掘或长尾分析经验
- 有误差学习、内部模型（internal model）或生物启发控制相关研究背景
- 在NeurIPS、ICLR、ICRA、RSS、IV、ITSC、T-RO等发表论文
- 有Sim2Real、在线学习、持续学习、安全强化学习或端侧部署优化经验
- 硕士或博士在读，自动化、车辆工程、机器人、计算机、人工智能、控制科学与工程等相关专业
- 期望实习时长：6个月以上

岗位描述

课题介绍

本课题面向车身运动控制（VMC）在复杂工况下的性能与安全问题，构建“参数辨识 + 物理仿真 + 强化学习 + 场景风险评估”的一体化控制框架。目标是在路面附着变化、载荷波动、非线性耦合和多执行器协同等条件下，实现更稳定、更可迁移的控制策略。相较传统“模型+规则+人工调参”方法，本课题重点研究可学习的补偿控制：在保留经典控制器主结构的基础上，引入前馈补偿与残差策略（residual policy），实现误差驱动的在线修正与实时优化。同时，课题建设场景驱动风险管控链路：围绕典型、极限、长尾和高风险场景，打通仿真、HIL 与实车验证流程，形成“场景生成—策略训练—风险评估—闭环验证”的完整体系，系统评估安全性、鲁棒性与泛化能力。

具体工作

1. 搭建多层级车身动力学仿真环境（简化模型到高保真模型）。
2. 研究关键参数在线/离线辨识方法（轮胎、质量分布、阻尼、附着系数等）。
3. 设计带物理与安全约束的强化学习策略，用于前馈补偿或残差控制。
4. 研究误差学习模块与经典 VMC 控制器的协同机制。
5. 构建 VMC 场景库与风险评估体系，支持风险分级和测试覆盖分析。
6. 研究 Sim2Real 一致性与鲁棒性，建立基于实测反馈的持续优化机制。

预期产出

1. 研究报告或高水平论文（强化学习、智能控制、车辆动力学、安全验证等方向）。
2. 一套面向 VMC 的学习控制框架：参数辨识、约束强化学习、风险评估、仿真闭环。
3. 高价值场景库：覆盖典型、极限、长尾和高风险工况。
4. 可在仿真与 HIL 验证、并具备实车迁移潜力的策略原型。
5. 可复用的“仿真-HIL-实车”场景与泛化评测框架。
6. 虚实闭环工具链：数据生成、场景挖掘、参数辨识、风险评估、策略优化。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →