奔驰
Radar Perception AI Engineer 毫米波雷达感知AI算法工程师
Radar Perception AI Engineer 毫米波雷达感知AI算法工程师
发布于 6 个月前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
3D目标检测
传感器标定
点云处理
自动驾驶
非线性优化
DNN
ROS
雷达感知
AI 估算 · 35k–65k
该职位要求顶尖的AI算法与多传感器融合技能，属于自动驾驶核心研发岗，在北京市场极具竞争力，薪资水平处于行业高位。
职位详情
关于这个职位
该职位是奔驰研发中心的高级算法工程师，专注于下一代4D成像雷达的AI感知算法开发
你将负责设计并实现雷达目标检测、道路边界识别、目标跟踪等核心算法，并参与激光雷达、相机等多传感器标定算法的开发与验证
这是一个结合前沿AI技术与汽车自动驾驶应用的关键研发岗位
最低要求
计算机科学、机器人学、电子、自动化或相关专业的教育背景
对雷达感知或点云感知的经典算法和神经网络算法有深入理解和项目经验
精通激光雷达点云处理、噪声去除和特征提取方法
熟练掌握非线性优化技术（如Ceres, GTSAM）
熟悉主流激光雷达SLAM方法
精通图像特征提取和多视图几何原理
至少有一种静态标定方法（如棋盘格标定）的经验
在3D目标检测、目标跟踪、机器人学以及相机、激光雷达、IMU等多传感器标定方面有扎实的研究背景
在数据驱动开发中，有数据流水线和模型流水线的项目经验
精通C++和Python编程，需要良好的代码风格
熟悉ROS编程及相关工具的使用
工作职责
设计并开发奔驰下一代4D成像雷达AI感知算法，包括先进的雷达目标、道路边界检测DNN、跟踪和后处理算法
支持EOL（End of Line）标定算法的开发，包括激光雷达、相机、激光雷达-相机联合标定算法的开发与验证
分析当前标定目标，并实施有针对性的算法改进，以提升EOL标定的精度和鲁棒性
开发鲁棒的激光雷达在线标定算法，用于在动态场景中估计高精度的外参
负责雷达感知算法的软件实现和在AD ECU（电子控制单元）中的部署
开发并维护雷达感知相关的数据流水线和模型流水线，以支持持续的数据驱动开发
跨职能协调雷达硬件、雷达服务、雷达感知算法和客户功能负责人，确保雷达感知能够满足相关AD系统功能的要求
优先资格
有量产车型的EOL（End of Line）标定算法经验者优先
AI 洞察
优缺点分析
优点
- 顶级平台与前沿领域：在奔驰这样的全球汽车巨头，参与最前沿的自动驾驶感知技术研发，项目落地性强，行业影响力大
- 核心技术积累：工作涉及从算法研发到车载部署的全链条，能深度积累AI算法、多传感器融合和汽车电子等硬核技能
- 明确的职业增值：自动驾驶是黄金赛道，在此领域的资深经验在市场上非常稀缺，长期职业价值高
- 量产交付要求严格：算法需满足车规级的高可靠性、实时性和鲁棒性标准，调试和验证过程可能非常繁琐且要求极高
- 适合拥有扎实算法和编程功底，对将AI技术应用于复杂物理系统（特别是自动驾驶）充满热情，并追求在顶级工业研发平台深度发展的工程师
缺点 / 挑战
- 技术门槛与复杂度高：需要同时精通AI算法、传感器物理特性和汽车系统工程，学习曲线陡峭，工作压力较大
角色解读
- 技术纵深发展：可以从算法工程师成长为感知算法专家或架构师，主导更前沿的感知技术研发
- 横向扩展与管理：积累项目经验后，可向技术管理（如团队负责人）或跨领域系统集成（如整个AD系统）方向发展
- 核心工作是开发用于自动驾驶的下一代4D成像雷达AI感知算法，包括目标检测、跟踪和道路边界识别
- 负责多传感器（激光雷达、相机）的标定算法开发与验证，确保感知系统在量产车上的精度和鲁棒性
- 将算法从研究阶段推进到工程实现，完成软件部署到车载计算单元（ECU），并构建和维护数据与模型开发流水线
- 扎实的算法基础：必须精通C++/Python，深入理解雷达/点云感知、3D目标检测、跟踪及非线性优化（如Ceres）
- 多传感器融合专长：需要熟悉激光雷达点云处理、相机标定（如棋盘格法）以及激光雷达SLAM等关键技术
- 工程与系统能力：具备将算法部署到实际硬件（AD ECU）的经验，并熟悉ROS框架和完整的模型开发流水线
申请策略
- 深入了解奔驰在自动驾驶领域的最新动态和产品规划，在面试中展现出你对公司业务和技术路线的认知
- 准备详细阐述你过去项目中遇到的挑战、解决方案以及如何确保算法的鲁棒性和性能，这是面试考察的重点
- 重点突出与雷达/激光雷达点云感知、3D目标检测或多传感器标定直接相关的项目经验，详细描述你的技术贡献和成果
- 清晰展示你的C++/Python工程能力，特别是涉及算法优化、部署或ROS开发的项目，证明你能将理论转化为实践
- 如果有任何与汽车、机器人或自动驾驶相关的经历（即使是学术项目），务必写明，这能显著提升匹配度
- 如果对4D雷达或特定标定方法不熟，可快速学习相关论文和开源项目（如OpenCalib, Autoware），并尝试复现核心算法
- 加强C++在嵌入式或高性能计算场景下的编程能力，并熟悉常见的汽车软件中间件或通信协议
面试指南
- 采用STAR原则（情境、任务、行动、结果）来结构化回答项目经验类问题，重点突出你的技术决策、实验验证和量化结果
- 对于算法设计问题，先阐述核心原理和数学模型，然后讨论工程实现中的关键细节（如初始化、优化、异常处理）和性能评估方法
- 请详细介绍一个你参与的雷达或激光雷达感知项目，你在其中负责什么，遇到了什么挑战，如何解决的？
- 如何设计一个鲁棒的激光雷达与相机的外参在线标定算法？需要考虑哪些误差源和动态场景？
- 在C++中实现一个高效的3D点云聚类或目标跟踪算法，你会如何设计数据结构和优化计算？
- 如果雷达检测在恶劣天气下性能下降，你会从哪些方面分析原因并提出算法改进方案？
- 你如何确保开发的算法能够满足车规级量产对实时性、可靠性和内存占用的苛刻要求？
- 深入复习点云处理、多视图几何、状态估计（滤波、优化）和深度学习检测模型的基础知识，并准备1-2个可以白板推导的经典算法
职位点评
Watch Jobs