猿急送>

其他后端兼职程序员

ID：226258

周灿身份已认证

算法工程师

公司信息：
Volkswagen AG 德国大众集团

工作经验：
3年

兼职日薪：
500元/8小时

兼职时间：
周六
周日
可工作日远程

所在区域：
其他
全区

技术能力

自动驾驶算法开发人员，负责软件算法开发。
工作职责：
• 点云融合：实现地面提取，聚类，速度预测，动态目标提取。
- 使用C++进行编程
- 使用ADTF，Visual Studio
• Road Graph：在十字路口，基于地图信息和可能存在的交通信号灯实现实时的静态和动态通行权控制。
- 使用C++进行编程
- 使用ADTF，Visual Studio
• 仿真：开发激光雷达模型；生成用于机器学习的仿真数据集，包括RGB图像，语义分割，实例分割，边界框，带有位置、语义标签、实例和强度信息的3D点云。
- 使用C++，Python进行编程
- 使用Linux，Visual Studio Code，Carla，Unreal Engine
• 机器学习：使用条件对抗网络进行语义分割到街景图像的迁移；使用神经网络确定图像中的车辆方向。
- 使用Python进行编程
- 使用Linux，PyCharm，Tensorflow，Keras

此外我还从事高级辅助驾驶系统软件工具开发：
• GUI用户界面开发：为了方便功能开发阶段对于数据库数据的使用和编辑，开发了相应的图形用户界面。
- 使用Python进行编程
- 使用PyCharm
• REM(Road Experience Management) / Travel Assist性能评估工具开发：开发数据库进行测试数据的管理和维护，并开发用户交互界面对数据进行可视化和评估
- 使用Python, SQL进行编程
- 使用Pycharm, Qt Designer

工作业绩：
主要进行自动驾驶传感器融合的算法开发与优化, 提高现有的软件性能并拓展新性能；协助开发新的机器学习算法。此外还进行了高级辅助驾驶系统的软件工具开发。
自我评价：
我喜欢不断地获得新知识和持续学习，接受并尝试新的想法。我喜欢更深入地研究问题，并进一步优化和改进它们。除了我的专业能力外，我还具有很强的适应能力和灵活性、学习与分析能力和时间管理能力。独立，可靠和团队协作使我能够很好地适应工作。

项目经验

2020.4 -2020.12 Travel Assist高级辅助驾驶系统软件工具开发

项目职责：
• GUI开发：为了方便功能开发阶段对于数据库数据的使用和编辑，开发了相应的图形用户界面。
• REM(Road Experience Management) / Travel Assist性能评估工具开发：包括数据库开发和用户交互界面开发
项目业绩：
• GUI开发：完成了图形用户界面的开发，并定期维护升级Release
开发语言：C++, Python, SQL

2018.8 - 2020.3 传感器融合科研项目

项目职责：算法部分的研究和具体实现
• 点云融合：优化地面提取、聚类、速度预测，完成动态目标提取。
• Road Graph道路图：参与部门L4自动驾驶展示项目，在Road Graph道路图部分参与部分改进和修复工作；新版本任务：在十字路口，基于地图信息和可能存在的交通信号灯实现实时的静态和动态通行权控制。
• 仿真：开发激光雷达模型；生成用于机器学习的仿真数据集，包括RGB图像，语义分割，实例分割，边界框，带有位置、语义标签、实例和强度信息的4D点云。
• 机器学习：使用条件对抗网络进行语义分割到街景图像的迁移；使用神经网络确定图像中的车辆方向。

项目业绩：
• 点云融合：完成了点云的降采样模块，提出并实现了聚类的优化算法，实现了新的速度预测算法，小组共同优化实现了新的地面提取算法。
• Road Graph：根据新版本的要求拓展了相应的数据结构，实现了动态先行权的算法部分，小组共同开发实现了静态先行权的部分。
• 仿真：开发了仿真环境下的激光雷达模型，实现了生成实例分割的算法，在仿真环境下完成了传感器前融合算法，生成具有位置、时间、语义标签、实例ID及强度的4D点云真值数据集。
• 机器学习：准备和预处理实验数据，实现了卷积神经网络可视化的算法和用户交互界面，pix2pix卷积神经网络的实现和训练、优化，利用已有的语义分割神经网络进行真实数据与神经网络合成数据的对比训练实验。

开发语言：C++, Python

案例展示

自动驾驶仿真真值数据集开发

开发了仿真环境下的激光雷达模型，实现了生成实例分割的算法，在仿真环境下完成了传感器前融合算法，生成具有位置、时间、语义标签、实例ID及强度的4D点云真值数据集。
使用条件对抗网络进行迁移学习

使用条件对抗网络进行语义分割到街景图像的迁移：pix2pix卷积神经网络的实现和训练、优化，利用已有的语义分割神经网络进行真实数据与神经网络合成数据的对比训练实验。
使用神经网络确定图像中的车辆方向

使用神经网络确定图像中的车辆方向：准备和预处理实验数据，实现了卷积神经网络可视化的算法和用户交互界面