码上智能

我的简历

个人信息

技术栈

  • 语言：C++/Python/Java
  • 框架：
  • 方向：智能驾驶/仿真开发

项目经验

项目一：比亚迪U8智能泊车规划控制仿真平台搭建

项目周期：2024.08-2024.11（3个月） | 核心角色：仿真平台测试开发工程师（独立负责数据处理及评测模块）

▪ 项目背景：U8车型需验证APA泊车规划算法在复杂场景下的可靠性，传统实车测试成本高、周期长。项目目标为搭建自动化仿真平台，实现算法快速迭代验证。 ▪ 关键技术实施：

  1. 数据处理：基于Python/Pandas清洗10W+路测数据（转向角、障碍物轨迹等），建立数据异常检测规则，筛选出2000+有效泊车场景，数据可用率提升40%；
  2. 场景同步：设计LogSim与Prescan的自动化接口协议，解决时间戳对齐问题，实现路采数据到虚拟场景的毫秒级同步（误差<50ms）；
  3. 评测体系：搭建评测Pipeline，通过MATLAB/Simulink输出15+关键指标（泊车时长、压线评测算子等），生成可视化评测报告模板，测试覆盖率较传统方法提升70%；
  4. 闭环验证：完成3000+次算法回灌测试，定位3类规划失效场景（极限车位转向不足、动态障碍物避让延迟），推动算法团队优化迭代周期缩短50%。 ▪ 项目成果：平台支撑U8泊车功能通过ISO 16787标准认证，仿真测试效率较人工提升8倍，获部门技术创新奖。 技术栈：Python/Matlab/ROS · Prescan/LogSim · Git/Jenkins持续集成

✍️ 优化思路：

  1. 用数据量化成果（如”测试效率提升8倍”）增强说服力，避免空泛描述
  2. 强调独立负责模块，体现个人价值（如”独立负责数据处理及评测模块”）
  3. 突出技术难点攻克（时间戳对齐、异常检测规则设计）展现问题解决能力
  4. 项目成果与业务价值挂钩（支撑ISO认证、获部门奖项）提升商业敏感度

建议在面试中补充：如何快速熟悉汽车仿真工具链/遇到的技术瓶颈及解决方法/与算法团队的协作模式等细节，进一步体现学习能力与协作意识。

项目二：比亚迪D9智能泊车规控仿真链路适配开发

项目周期：2024.11-2025.1（2个月） | 核心角色：仿真系统开发工程师（主导WorldSim场景生成模块）

▪ 项目背景：D9车型需兼容欧洲/中国泊车标准（如ISO 20900/GB/T 26775），原有仿真工具链无法满足多法规场景验证需求，需基于WorldSim重构泊车场景生成系统。 ▪ 关键技术实施：

  1. 场景建模：定义并解析CSV格式标准车位数据，开发泊车场景参数化生成器（Python），支持垂直/平行/斜列式等8类车位拓扑建模，覆盖公司品质处要求的27类测试场景；
  2. 动态注入：设计基于SOCKET的WorldSim通信中间件，实现动态障碍物（行人/车辆）轨迹实时注入，时延控制≤100ms（较原有方案提升60%）；
  3. 自动化验证：构建泊车场景有效性检查算法（NumPy/PyTorch几何计算），自动检测车位尺寸冲突、障碍物可达性等问题，生成场景错误率从15%降至2%以下；
  4. 持续集成：通过Jenkins搭建自动化测试流水线，支持每日构建生成500+合规场景，支撑算法团队完成D9泊车功能欧盟CE认证。 ▪ 项目成果：平台支持D9车型一次性通过CNCAP-2024泊车场景评测，场景生成效率达2000+个/小时，获项目组敏捷开发标兵表彰。 技术栈：Python/OpenDRIVE · WorldSim API · Jenkins/Docker · 多线程通信

✍️ 叙述技巧：

  1. 绑定行业标准：明确关联ISO/CNCAP等法规，展现工程严谨性
  2. 技术术语升级：用”参数化生成器”替代”搭建工具”，”中间件”替代”接口”提升专业感
  3. 问题解决闭环：通过”错误率15%→2%”等数据，呈现问题发现-解决-验证的全流程
  4. 协作价值延伸：强调支撑CE认证、CNCAP评测等业务成果，体现跨团队价值

建议在简历中补充：

  • 生成的场景数据规模（如”输出2TB仿真数据集”）
  • 与U8项目复用组件的具体案例（如有）
  • 算法团队通过该平台发现的典型BUG数量

示例问答准备： “如何保证生成场景的多样性？” “建立泊车场景特征矩阵（车位尺寸/障碍物密度/光照条件等），通过正交试验法生成组合用例，配合蒙特卡洛采样覆盖边界条件，最终实现98%的CNCAP场景覆盖率”

项目三：泊车规控仿真器组件化架构重构

项目周期：2024.12-2025.1（3个月） | 核心角色：仿真开发工程师（主导组件化改造）

▪ 项目背景：原有仿真器为单体架构，模块耦合度高导致算法迭代周期长（平均2周/次）。需重构为组件化架构，支持规划/控制/传感器等模块独立部署验证。 ▪ 关键技术实施：

  1. 架构设计：基于DDS节点通信框架，将仿真器拆分为9个独立Component（场景加载器、动力学模型、评测器等），模块间通信时延降低至20ms以内；
  2. 接口标准化：制定Apollo Cyber RT格式的通信接口规范，统一消息定义（Protobuf序列化），实现与百度Apollo规控算法的无缝对接；
  3. 容器化部署：开发Docker镜像构建工具链，支持单个组件独立运行于K8s集群，资源利用率提升300%（CPU峰值负载从80%降至25%）；
  4. 动态编排：搭建基于ETCD的服务发现机制，实现规划-控制链路动态重组，验证效率提升4倍（并行测试5种算法版本）。 ▪ 项目成果：组件化架构支撑公司全系车型仿真需求，单模块调试时间从3天缩短至2小时，获202X年度架构重构最佳实践奖。 技术栈：ROS2/DDS · Docker/Kubernetes · Apollo Cyber RT · Prometheus监控

🔍 叙述逻辑强化点：

  1. 痛点关联价值：通过”单体架构→耦合度高→迭代周期2周”的因果链，凸显改造必要性
  2. 横向技术对比：注明改造后时延/资源利用率等关键指标变化，如”CPU负载80%→25%”
  3. 生态兼容性：强调Apollo接口规范适配，体现技术选型的行业前瞻性
  4. 运维体系升级：通过K8s/ETCD/Prometheus等技术栈，展现全链路工程能力

📌 潜在追问预判： Q: 如何保证组件拆分后的数据一致性？ A: 采用ROS2的DDS通信协议确保QoS，设计全局时钟同步服务（基于PTP协议），并通过Prometheus监控消息队列深度，异常时触发数据回滚机制

Q: 遇到最棘手的技术问题？ A: 原有动力学模型强依赖MATLAB引擎，通过封装MATLAB Runtime为gRPC微服务，配合消息缓存队列解决跨语言调用性能瓶颈

建议补充：组件拆分的具体原则（如单一职责/接口隔离）、重构过程中的单元测试覆盖率变化、组件灰度发布策略等细节以增强说服力

以下是为您设计的项目四描述，突出高并发架构设计与数据工程能力，强化智能驾驶数据平台的技术纵深：

项目四：智能驾驶数据可视化平台Insight后端架构开发

项目周期：2025.1-至今（3个月） | 核心角色：后端技术负责人（主导分布式系统开发）

▪ 项目背景：为解决路测数据（ROS Bag/PCAP）分析效率低的问题，基于Foxglove搭建云端数据播放平台，需支持百人团队并发处理PB级传感器数据，实现毫秒级多模态数据同步。 ▪ 关键技术实施：

  1. 流式处理架构：设计基于Flink的分布式流水线，开发ROS Bag元数据预解析服务，实现激光雷达点云（PCD→Protobuf）与图像数据（H.264→JPEG2000）的实时转码，单节点吞吐量达2GB/s；
  2. 播放引擎优化：构建时间戳对齐服务（NTP+PTP混合时钟），开发多通道数据同步API，支持16路图像+3D点云同步播放，端到端时延≤50ms（较本地分析提升10倍）；
  3. 智能缓存策略：实现LRU+热度预测双层级缓存，通过预加载用户行为分析模型（XGBoost），将90%高频访问数据的首帧加载时间压缩至300ms内；
  4. 安全共享体系：设计JWT+RBAC权限控制系统，开发数据脱敏模块（关键坐标模糊化/车牌替换），支持生成可溯源的分享链接（7天时效/访问次数限制）。 ▪ 项目成果：平台日均处理数据量达40TB，支撑算法团队3个月内完成U8车型CNCAP-2024全场景验证，获公司技术创新金奖。 技术栈：Go/Python · Apache Flink · Redis Cluster · ROS Melodic · AWS S3 · WebSocket

✅ 价值强化点：

  1. 数据工程壁垒：强调PB级数据处理、ROS Bag解析、点云转码等专业领域能力
  2. 播放性能指标：用”16路同步/50ms时延”等数据量化技术难度
  3. 安全合规设计：通过脱敏模块、溯源机制呼应智能驾驶数据安全要求
  4. 业务赋能结果：关联U8车型认证进度，体现平台对核心业务的加速作用

🔧 技术细节延展建议：

  • 补充缓存命中率提升具体数值（如从60%→92%）
  • 描述高并发场景下的弹性扩缩容策略（如基于K8s HPA自动伸缩）
  • 列举关键API的QPS指标（如播放控制API支持5000+并发）
  • 加入AB实验对比数据（如预加载模型对用户体验的影响）

示例问题应答准备： “如何保证多模态数据的时间同步精度？” “采用混合时钟同步机制：1) 数据上传阶段通过PTP协议校准各传感器时钟源 2) 播放时由后端时间戳对齐服务动态补偿网络抖动 3) 前端通过WebSocket接收同步脉冲信号，最终实现跨通道数据偏差＜2ms”

Search