index
算法开发
- 公司信息：
- 蜀道集团
- 工作经验：
- 15年
- 兼职日薪：
- 500元/8小时
- 兼职时间：
- 下班后
- 周六
- 周日
- 所在区域：
- 成都
- 高新
技术能力
编程语言： Python, C, C++, Java（基础）
算法与数据结构： 熟练掌握常见算法（排序、查找、图算法、动态规划等）及数据结构（链表、树、图、堆、哈希表等）
数据库管理： SQL（MySQL、PostgreSQL）、NoSQL（MongoDB）、数据库性能优化与维护
操作系统与系统管理： Linux（CentOS、Ubuntu）、Shell脚本编程、Linux系统性能调优
车路协同与智能交通： 雷达感知算法开发、雷视融合、传感器数据处理与融合、目标检测与识别算法
开发工具与平台： Git, Docker, Jenkins, OpenCV, TensorFlow, PyTorch, ROS（Robot Operating System）
项目经验
1.智能网联：在路侧搭建包含毫米波雷达、视觉传感器、可变信息板等的设备系统，实现道路内目标感知；在车辆上安装包括摄像头、姿态传感器等传感和通信设备，并配备车载边缘计算平台，实现车端的交通信息感知和与路侧系统的实时通信；结合信息感知平台与通信系统，使用云-边协作的计算方式，实时监控道路交通状态，实现云-边-端协同一体化，实现对车辆与交通控制系统（可变交通标志、信号灯等）的最优控制；在用路侧传感系统获取的毫秒级车辆和道路结构化信息基础上，在云端解析已得到的结构化数据，将数据的接入仿真平台（比如SUMO、Carla等），实现孪生展示、交通仿真、沉浸式驾驶仿真。
2.车路协同系统：研发面向城市道路和高速公路的车路协同系统，系统包括路侧平台、车载平台、车路协同大脑、数字孪生仿真平台。构建三级方案体系，分别为方案一——基于轻量级（现有道路传感器）的初级车路协同、方案二——基于强化路侧感知（雷视融合）的中级车路协同、方案三——基于车路云全信息的高级车路协同。
案例展示
-
雷视融合
首先将雷达点云数据与视觉图像进行空间对齐和同步，以确保数据的时空一致性。此过程通常依赖于相机和雷达的标定信息，通过映射雷达点云到视觉图像平面，生成雷达图像。随后，使用图像处理技术和深度学习方法提取图像和雷达数据中的目标特征。在决策级融合中，雷达和视觉分别进行独立的目标检测，然后通
-
批量化部署边端计算设备脚本
开发了批量化部署边端计算设备的自动化脚本，旨在提高大规模设备部署和管理的效率。通过结合Linux系统和容器化技术（如Docker），脚本能够自动配置、安装软件、启动服务并监控系统状态，支持远程设备管理和操作，大大减少人工干预和操作失误，确保设备的一致性和高效性。该解决方案可广泛应
