任职信息： 下属 28人

感知栈负责： 负责量产智驾（高速 NOA、城市 NOA、行泊一体）的全部感知，带 28 人团队（BEV 检测、Occupancy、车道线拓扑、多传感器融合、感知工程与部署）

对感知的安全和场景覆盖负责，任期内感知原因导致的接管里程占比从基线显著下降，多个车型的感知方案顺利量产交付

感知架构统一： 主导感知从"多个独立模型拼接"到"统一 BEV + Occupancy 端到端感知架构"的升级，多相机、激光雷达、毫米波在 BEV 空间做时序融合，多任务共享一套 backbone

牵头把 Occupancy 占用网络作为通用障碍物表达落地量产，从根上解决了异形/非标障碍物的检测覆盖问题

车端与量产： 主导感知在车端芯片上的部署体系（量化、剪枝、算子优化、多任务调度），在有限算力下把整套感知做到 实时、算力进预算，支撑多平台量产

建立感知的安全评估和上车准入规范（场景化指标、回归门禁），让每次迭代都可度量、可回滚

数据闭环平台： 主导建设感知的数据闭环平台（自动化 corner case 挖掘、自动标注/预标注、大规模回归评测、影子模式），把长尾场景从发现到修复的周期从月级缩短到天级，团队迭代效率提升数倍

团队与人才： 搭建了感知团队的方向划分、培养体系和技术评审机制，培养出多名能独立负责子方向（BEV、OCC、融合、部署）的专家和小组长

感知算法： 从传统视觉检测和图像分割起步，带 8 人感知小组，主导了前视检测模型从手工特征（HOG/DPM）到深度学习（Faster R-CNN → CenterNet → 3D 检测）的 4 代核心迭代

车辆检测 mAP 累计从约 60% 提升到 88%+，模型落地到 3 款量产车型，覆盖高速和城区场景

工程与平台： 搭建了感知模型的训练框架和评测平台（自动化训练 + 场景化评测指标 + 模型版本管理），支撑团队规模从 3 人扩展到 15 人

主导了感知模型的嵌入式部署方案（TensorRT + 模型蒸馏），在车端芯片上将多任务感知的延迟控制在 实时，算力利用率提升约 50%