上海Perception - 感知算法实习生

优缺点分析

角色解读

• 从感知算法实习生成长为正式感知算法工程师，深入参与自动驾驶核心算法研发
• 可向感知算法专家或技术负责人方向发展，主导特定感知模块（如目标检测、多传感器融合）
• 积累自动驾驶行业经验后，可转向系统架构、仿真验证或AI研究等方向
• 开发和优化基于Camera/Lidar/Fusion的感知算法，包括检测、分割、目标跟踪和三维重建
• 设计高效可靠的算法，确保在各种天气和路况下实现准确感知
• 参与自动驾驶系统的核心感知模块研发，与团队协作解决实际道路场景中的技术难题
• 扎实的深度学习与计算机视觉基础，熟悉CNN检测、跟踪、识别算法流程
• 优秀的编程能力，熟练掌握C/C++或Python
• 熟悉PyTorch等深度学习框架，有实际项目经验
• 具备独立解决问题能力和良好的沟通协作能力

申请策略

• 提前了解小马智行的技术博客或公开演讲，展示对公司的热情
• 在简历和面试中强调对自动驾驶感知算法的理解，如多传感器融合、BEV感知等趋势
• 突出计算机视觉或深度学习相关项目经验，如目标检测、语义分割、多目标跟踪等
• 强调编程能力，列出C++/Python项目代码量或开源贡献
• 如有论文发表（尤其CCF A类）或自动驾驶相关实习，务必重点展示
• 体现独立解决问题能力，例如在项目中如何攻克技术难点
• 系统复习深度学习基础（CNN、RNN、Transformer等）和经典CV算法（YOLO、Faster R-CNN、DeepSORT等）
• 熟悉PyTorch框架，动手复现经典论文或参与Kaggle比赛

面试指南

• 对于算法原理问题，采用“背景-核心思想-关键创新-优缺点”的结构回答
• 对于项目经验问题，使用STAR法则（情境-任务-行动-结果）清晰阐述
• 对于开放性问题，先明确问题定义，再提出多种解决方案并比较优劣
• 请详细讲解YOLO系列目标检测算法的原理和演进
• 如何解决自动驾驶中目标检测的遮挡和小目标问题？
• 描述一个你使用深度学习解决计算机视觉问题的项目，包括数据、模型、结果
• Camera和Lidar融合感知有哪些常见方法？优缺点是什么？
• 如何评估感知算法在自动驾驶中的性能？