顶尖应届-AI harness工程师-汽车架构

1、整车 AI 开发方法论体系构建 分析现有汽车开发方法论（V 模型、敏捷、SAFe）在 AI 开发场景下的适用性边界； 提出 AI-V 模型（AI-augmented V-Model）：在传统 V 模型基础上嵌入数据闭环、模型迭代、持续验证等 AI 特有环节 建立 AI 开发各阶段（需求→数据→训练→验证→部署→监控）的活动定义、制品标准和门禁准则 融合功能安全、预期功能安全和 AI 安全的统一安全分析框架 2、harness 工程——AI 开发工具链架构设计 "harness 工程"是本课题的核心工程化载体，指构建一个标准化的 AI 开发运行框架（Development Harness），将数据管线、训练管线、仿真管线、部署管线和监控管线统一封装为可组合、可配置的工程化单元。 数据 harness：定义统一的数据 schema、标注规范、版本管理机制，支持多源传感器数据（摄像头、LiDAR、Radar、CAN 总线）的高效采集与治理 训练 harness：标准化模型训练流程，包括超参管理、实验追踪、模型注册、合规审计，确保训练过程的可复现性 仿真 harness：构建支持 SIL/MIL/HIL/VIL 的分层仿真验证框架，实现场景库管理、测试用例自动生成、仿真结果与实车数据的闭环校准 部署 harness：定义从云端到车端的模型交付标准，包括模型压缩/量化规范、OTA 升级策略、车载推理框架适配 监控 harness：建立车载 AI 运行时的性能监控与数据回传机制，支撑 Shadow Mode、触发式数据采集和模型退化预警 3、工具链原型系统开发与集成验证 基于上述架构设计，开发工具链原型系统（MVP），实现核心模块的功能验证 选取典型 AI 应用场景（如 L2+ 辅助驾驶的感知-规划链路、座舱大模型交互）进行端到端集成验证 在合作企业（小米汽车）开展工程化试点，收集真实开发流程中的反馈数据 4、方法论与工具链的评估框架 建立 AI 开发成熟度模型（AI-DMMM），从数据管理、模型质量、流程效率、安全合规四个维度评估企业 AI 开发能力 设计方法论有效性的定量评估指标体系（开发周期缩短率、缺陷逃逸率、模型质量一致性等） 形成方法论推广的分阶段实施路线图 1、计算机科学、人工智能、自动化、车辆工程、数学统计等相关专业，博士优先（或具备同等研究能力与突出成果）