职位描述1. 负责离线六自由度轨迹解算的算法自研与调优，以全局优化为主、可结合学习式重建先验的方案，重点解决弱纹理、动态场景与快速运动下的鲁棒性。设备端的实时 VIO 由硬件团队负责，本岗做的是采集完成后的离线高精度重解； 2. 建设完整的标定体系：多目相机内外参、相机与惯性传感的时空标定、头戴与手持设备之间的跨设备标定，输出标定工装方案、作业规范与参数管理机制； 3. 负责轨迹与标定漂移的事后校正：轨迹漂移校正与平滑、标定漂移的事后补偿，明确可修复、需谨慎处理与无法修复的边界； 4. 评测并验证精度：对设备随附的轨迹求解工具与自建流程建立可复现的评测协议，给出轨迹绝对精度与相对精度的实测结论而不是标称值； 5. 建设精度真值验证能力：真值设备的选型与验收、误差评定方法的实现、真值对比流程的建立，为对外的精度结论提供独立的实测依据； 6. 与硬件团队协同精度相关的设计验证，把精度瓶颈反向转化为传感器选型、安装与同步方案的硬件设计需求； 7. 把标定参数与轨迹真值作为处理管线的标准输入，供姿态解算方向做初值、供数据评估方向做筛选依据。任职要求1、2027 届硕士及以上学历，计算机视觉、机器人学、自动化或相关专业； 2、深入理解相机模型、内外参标定、手眼标定、坐标变换与状态估计，能独立设计与实现离线全局优化流程； 3、扎实的 C++ 与 Python 工程能力，熟悉 Ceres、g2o、GTSAM 等优化库中至少一种，用过 ORB-SLAM、VINS、COLMAP 一类开源方案； 4、在课程、科研或实习中做过视觉惯性里程计、SLAM 或多传感器融合项目，有自研或深度改造位姿优化方案的经历； 5、做过标定作业或精度真值验证：真值设备的使用、误差评定方法的实现，能独立给出精度的实测结论； 6、重视可复现性与自动化测试，同一输入必须给出同一输出； 7、熟练使用 Claude Code、Codex 等 AI 编码工具，熟悉 Agent 框架与工作流编排。 加分项 1、了解前馈式三维重建模型（DUSt3R、MASt3R、VGGT 一类）与经典捆绑调整结合的离线管线； 2、有头戴式或手持式采集设备的定位或标定经历； 3、有动捕系统或激光跟踪仪等真值设备的实操。
