主修课程：机器学习、深度学习、计算机视觉、算法设计与分析、操作系统、数据结构。
研究与项目经历：
- 参与了基于ROS（Robot Operating System）的自动驾驶仿真项目，负责路径规划模块的开发，使用Python和C++编程，实现了实时环境感知与决策算法。
- 在本科期间，完成了毕业设计《基于深度学习的交通标志识别系统》，使用TensorFlow框架，准确率达到95%，并在校内技术竞赛中获奖。
- 修读了多门与自动驾驶相关的选修课程，如智能汽车技术与控制，提升了在感知、决策和控制系统方面的理论基础。
学术成就与荣誉：
- 获得清华大学一等奖学金（2016、2017年），并多次被评为优秀学生干部。
- 参与了导师的科研项目，涉及无人驾驶车辆的传感器融合技术，积累了丰富的实践经验。
研究方向：专注于自动驾驶系统中的路径规划与控制算法，使用强化学习和传统控制理论相结合的方法。
研究项目与成果：
- 主持了校级科研项目《基于强化学习的自动驾驶车辆路径规划优化》，开发了仿真平台，使用MATLAB和ROS进行模拟测试，提升了车辆在复杂环境中的决策效率。
- 在硕士论文中，设计了多传感器融合算法，结合激光雷达和摄像头数据，实现了实时障碍物检测，准确率超过90%，并应用于小型自动驾驶原型车。
- 发表了一篇EI检索的会议论文《基于深度强化学习的自动驾驶路径规划策略》，探讨了在不确定环境下的控制优化问题。
技能与认证：
- 熟练掌握C++、Python、MATLAB等编程语言，以及ROS、TensorFlow等开发框架。
- 获得控制工程领域相关证书，并参与了多次行业会议，如中国自动化学会年会，交流自动驾驶技术进展。
工作描述
-
核心职责：负责自动驾驶系统的关键模块开发，包括感知、决策和控制算法的设计与实现，使用Python和C++进行代码编写，确保系统在复杂交通环境下的高效运行。
-
传感器融合技术：主导LiDAR和摄像头数据的融合处理，开发基于深度学习的实时目标检测算法，提升系统的环境感知精度，减少误检率至低于5%。
-
机器学习应用：应用强化学习算法进行行为预测模型训练，优化决策模块，提高车辆在动态场景中的路径规划准确性，并通过仿真平台进行百万级场景测试。
-
系统集成与测试：与硬件团队协作，优化传感器配置和计算平台性能，参与城市道路和高速场景的实地测试，确保系统符合ISO 26262功能安全标准。
-
团队协作：领导小型项目团队，指导初级工程师完成模块开发，定期参与技术评审会议，输出高质量代码文档和性能报告。
工作职责
- 负责自动驾驶系统的感知模块开发与优化，包括使用LiDAR和摄像头融合数据进行物体检测与跟踪，提升环境感知精度。
- 主导算法实现，使用深度学习框架如TensorFlow或PyTorch开发多传感器融合模型，针对复杂场景（如城市道路和高速路）进行实时处理。
- 参与系统集成测试，设计仿真和实车测试用例，确保系统在各种天气和交通条件下的鲁棒性和安全性，减少碰撞风险。
- 协作团队完成从数据采集到模型部署的全链条开发，包括数据标注、模型训练和端到端仿真验证，提高自动驾驶系统的整体性能和可靠性。
项目概述
本项目旨在开发一套基于多传感器融合的智能驾驶辅助系统，旨在提升车辆在复杂道路环境中的安全性。系统整合了LiDAR、摄像头和雷达数据，实现了实时环境感知和预警功能。
技术难点
- 传感器融合挑战：处理来自不同传感器的数据异步性和噪声问题，采用卡尔曼滤波器进行数据融合，提高感知准确性。
- 机器学习应用：使用深度学习模型（如YOLOv3）进行目标检测，识别行人和车辆，同时通过强化学习优化决策算法，以适应动态交通场景。
- 实时性要求：系统需在100ms内完成数据处理和决策，使用CUDA加速计算，确保低延迟。
项目成果
- 成功部署系统至多款原型车，道路测试里程超过10万公里，事故率降低30%。
- 获得公司内部技术创新奖，并与多家汽车制造商合作进行商业化推广。
项目概述
该项目聚焦于自动驾驶系统的路径规划模块，旨在提升车辆在复杂城市环境中的导航精度和安全性。通过优化传统A*算法，结合实时交通数据，实现动态路径调整。
技术难点
- 环境动态建模：整合高精度地图和实时传感器数据，构建动态障碍物模型，使用贝叶斯推理处理不确定性。
- 多目标优化：平衡路径安全性、效率和舒适性，应用遗传算法进行参数优化，并结合强化学习训练决策模型，减少碰撞风险。
- 仿真验证：利用CARLA仿真平台进行大规模测试，模拟各种极端场景，确保算法鲁棒性。
项目成果
- 算法在实际道路测试中，将平均规划时间从原来的200ms缩短至120ms，提升响应速度。
- 项目成果被应用于公司新一代自动驾驶原型车，并获得专利授权。
个人总结
作为一名自动驾驶系统工程师，我拥有5年的丰富行业经验，专注于开发高精度感知和控制系统。熟练掌握Python、C++及ROS框架，熟悉深度学习模型和传感器融合技术，成功领导多个项目以提升系统鲁棒性和安全性。
在职业规划中，我致力于通过持续创新和团队合作，推动自动驾驶技术的商业化应用，确保其可靠性和效率，目标成为领域专家，为智能交通系统贡献力量。
研究背景与内容
随着自动驾驶技术的快速发展，路径规划算法在复杂交通环境中的实时性和安全性面临挑战。本研究聚焦于基于深度强化学习的决策系统优化，旨在提升自动驾驶车辆在动态场景下的决策能力。研究针对城市道路和高速公路场景，探索了算法在处理多目标冲突和不确定性环境中的应用。
研究方法
采用了深度Q网络（DQN）结合卷积神经网络（CNN）的混合模型，用于处理传感器数据融合。通过强化学习框架，训练模型在仿真环境（如CARLA模拟器）中学习决策策略，使用经验回放机制和探索-利用平衡技术来加速收敛。同时，引入了实时传感器数据预处理模块，包括LiDAR点云过滤和摄像头图像增强，以提高输入数据的质量。
研究成果
成功开发了原型系统，并在多个仿真测试中验证了算法的有效性。测试结果显示，决策响应时间平均减少30%，碰撞风险降低20%。研究成果发表于IEEE Intelligent Vehicles Symposium，并被应用于商业自动驾驶原型车的测试平台，显著提升了系统的鲁棒性和安全性。
研究背景与内容
自动驾驶系统在恶劣天气条件下（如雨雪雾霾）的感知准确性下降，导致系统性能降低。本研究针对多模态传感器融合技术，探索了如何通过整合LiDAR、雷达和多光谱摄像头数据，提高系统在非理想环境中的鲁棒性。研究内容包括传感器数据校准、异常检测和实时融合框架的构建，以应对环境不确定性带来的挑战。
研究方法
设计了一个基于贝叶斯滤波和深度学习的融合框架，使用长短期记忆网络（LSTM）处理时间序列数据，结合卡尔曼滤波进行数据去噪。研究采用了多场景仿真（包括雨雪、雾天等）和实际道路测试，数据来源包括高精度IMU和GPS传感器。通过交叉验证和A/B测试方法，优化了融合算法的参数，确保实时性和计算效率。
研究成果
开发了可部署的融合算法原型，在雨雪天气模拟测试中，目标检测准确率提升了15%，误检率降低了25%。实际道路测试表明，系统在恶劣天气下的事故率减少了30%，研究成果已申请专利，并被集成到多家自动驾驶公司的产品中，推动了行业标准的提升。
语言能力
- 中文：母语水平，能够熟练阅读、写作和口语表达，擅长技术文档撰写和团队沟通。
- 英语：流利（C1水平），能够阅读英文技术文献、撰写专业报告，并参与国际项目交流。
证书
- 自动驾驶系统工程师认证：持有ISO 26262功能安全认证，证明在自动驾驶系统开发中的专业能力和合规性。
- ROS（Robot Operating System）专业证书：掌握ROS框架下的算法实现和系统集成技能，提升机器人控制系统的开发效率。
- 其他相关证书：如Python编程认证、LiDAR数据处理证书，增强在传感器融合和路径规划模块的专业深度。