博世
计算机视觉科学家 (边缘计算与智能家居)_CR
计算机视觉科学家 (边缘计算与智能家居)_CR
发布于 5 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Pytorch/Tensorflow
多传感器融合
智能家居
模型优化
计算机视觉
边缘计算
Arm/Dsp/Npu
AI 估算 · 35k–60k
该岗位要求顶尖的计算机视觉与边缘AI技能，涉及从算法研发到产品落地的全链路，技术壁垒高，在智能家居赛道极具竞争力。
职位详情
关于这个职位
这是一个专注于智能家电领域的计算机视觉科学家岗位
你将加入博世中央研究院，负责研发和优化用于边缘设备的计算机视觉算法，并融合多传感器数据，为下一代智能家电（如洗衣机、冰箱）打造智能感知系统
核心工作包括算法研发、模型轻量化部署以及推动研究成果向可量产方案转化
最低要求
计算机视觉与深度学习：
至少在以下一项有落地经验：检测 / 分割 / 细粒度分类 / 纹理与材质识别
精通 PyTorch 或 TensorFlow
具备训练、调参、评估与复现能力
具备数据与实验规范：数据清洗、标注策略、数据增强、偏差与鲁棒性分析
端侧部署与模型优化：
具备至少一种平台的部署经验：ARM / DSP / NPU
熟悉模型优化：量化（PTQ/QAT）、剪枝、蒸馏、混合精度、结构重参数化
熟悉至少一种推理/编译工具链：TFLite/TFLite Micro、TensorRT、TVM、ONNX Runtime、厂商 NPU SDK
具备性能工程能力：profiling 延迟/吞吐/内存/功耗，并能定位瓶颈（算子级分析优先）
多传感器融合与信号处理：
有融合经验：卡尔曼/粒子滤波或多模态神经网络融合
具备时序/传感信号处理能力：FFT/STFT、时频分析、统计特征提取
工程实现能力：
扎实的 Python 与 C/C++ 编程能力，具备可维护工程习惯（模块化、测试、优化）
熟悉端侧开发与调试流程：交叉编译、日志/追踪、硬件在环测试
通用能力：
出色的分析与问题拆解能力，能推动端到端交付
良好的中英文沟通能力（书面与口头），适应全球协作
工作职责
计算机视觉算法研发：
在复杂真实环境下，研发并验证用于细粒度识别的计算机视觉算法
构建训练与评估流程，包括数据准备、增强策略、鲁棒性测试与误差分析
端侧 AI 优化与部署：
面向嵌入式/端侧平台设计轻量高效的深度学习模型
通过量化/剪枝/蒸馏等方法优化并部署模型，满足时延、内存、功耗等约束
基于主流推理工具链完成端侧profiling 与性能调优
多传感器融合：
融合视觉与其他传感模态（如惯导/振动、载荷、光谱等），提升性能与可靠性
设计融合策略并开展消融分析，量化传感器贡献与失效模式
系统共设、创新与转化：
与硬件及产品团队协作，定义摄像头/光学规格与系统架构
跟踪前沿技术，产出专利/论文，并推动成果走向可量产方案
优先资格
在纹理分析 / 材质识别 / 细粒度识别方面有深入积累（工业场景优先）
多模态感知经验：融合视觉 + 声学/振动/光谱/惯导等信号
光学与照明设计：光路/照明设计、镜头选型、成像系统搭建与标定
光谱分析：光谱传感器应用、预处理与校准、特征提取、定量/半定量建模
摄像头成像链路：ISP 调试 / 画质优化（AE/AWB/降噪/HDR 等）
顶会/顶刊论文或高质量专利产出（CVPR/ICCV/ECCV/NeurIPS 等）
具备家电/智能家居产品研发经验（如洗衣机、冰箱、洗碗机等），有从算法研发到工程落地/产品化的经验
AI 洞察
优缺点分析
优点
- 平台优势：博世作为全球工业巨头，能提供稳定的研发环境、丰富的行业资源以及将技术大规模产品化的机会
- 技术前沿性：工作聚焦边缘AI与多模态融合，是AI落地的重要方向，技能积累具有很高的市场价值和未来潜力
- 全链路经验：岗位覆盖从算法研究、模型优化到硬件协同设计的完整流程，有利于构建系统性的技术视野和工程能力
- 行业前景：智能家居是持续增长的市场，在此领域积累的经验可直接应用于一个庞大且快速发展的消费级产品赛道
- 技术复杂度高：需要同时精通算法、嵌入式优化和一定的硬件知识，对学习能力和技术广度要求极高
- 跨领域协作：需频繁与硬件、产品等不同背景的团队沟通，对沟通效率和将技术需求转化为通用语言的能力要求高
- 适合拥有扎实计算机视觉和深度学习背景，并对将AI算法部署到资源受限的嵌入式设备充满热情，追求技术深度与产品落地结合的资深工程师或研究员
缺点 / 挑战
- 落地压力大：研究成果需要最终转化为稳定、可靠、低成本的可量产方案，平衡创新性与工程实用性是一大挑战
角色解读
- 技术专家路径：在计算机视觉与边缘AI领域持续深耕，成为公司内部或行业内的算法与系统架构专家，主导更前沿的技术预研
- 技术管理路径：积累项目管理和团队协作经验后，可转向技术经理或研发负责人，带领团队进行产品技术攻关
- 行业应用拓展：将智能感知技术从家电领域拓展至更广泛的物联网、工业视觉或机器人赛道，拓宽职业边界
- 研发用于智能家电（如洗衣机、冰箱）的计算机视觉算法，重点解决复杂环境下的细粒度识别问题，例如识别衣物材质或食物种类
- 将训练好的深度学习模型进行轻量化（如量化、剪枝），并部署到ARM、DSP或NPU等边缘计算平台上，确保满足功耗和实时性要求
- 融合摄像头数据与其他传感器（如振动、光谱）信号，设计多模态感知方案，提升家电产品的整体智能与可靠性
- 与硬件、产品团队紧密协作，参与成像系统设计，并将前沿研究成果转化为可量产的技术方案，同时产出专利或学术论文
- 扎实的计算机视觉算法功底，精通PyTorch或TensorFlow框架，具备从数据清洗、模型训练到评估优化的全流程能力
- 丰富的边缘AI部署经验，熟悉至少一种硬件平台（ARM/DSP/NPU）和推理工具链（如TFLite、TensorRT），掌握模型压缩与加速技术
- 出色的工程实现能力，能熟练使用Python和C/C++进行开发，并具备嵌入式系统的调试与性能优化经验
- 良好的跨团队沟通与协作能力，能够用中英文清晰表达技术方案，并推动复杂项目端到端落地
申请策略
- 申请前，建议深入了解博世在智能家居领域的产品线（如洗衣机、冰箱）及其已发布的AI功能，思考你的技术如何能为其增值
- 在沟通中，可以主动展现你对“研究到产品”转化过程的理解，以及你过往推动技术落地的具体经验和思考
- 重点突出与细粒度识别、纹理/材质分析相关的项目经验，详细说明你解决的问题、采用的模型、优化策略以及最终达到的指标
- 用具体案例展示你的边缘部署能力，例如：在何种硬件上部署了何种模型，通过哪些优化手段（量化、剪枝等）将延迟或内存降低了多少
- 如果有涉及多传感器（如视觉+惯性测量单元IMU）融合的项目，务必详细阐述融合策略、模型设计以及带来的性能提升
- 展示你的工程能力，例如参与过的C++性能优化项目、嵌入式调试经历，或具备良好代码规范的开源项目贡献
- 如果对博世提到的特定传感器（如光谱、振动）不熟悉，可以提前学习基础的信号处理知识（FFT、时频分析）和多模态融合的经典与前沿方法
- 深入了解一到两种主流边缘推理框架（如TensorRT、TFLite Micro）的底层原理和最佳实践，而不仅仅是会调用API
面试指南
- 对于项目或技术问题，建议采用“STAR”原则（情境、任务、行动、结果）来组织回答，重点突出你的技术决策过程、解决问题的具体方法以及可量化的成果
- 在回答涉及方案设计的问题时，可以先从问题定义和约束条件（精度、速度、功耗、成本）分析入手，再提出多层次的技术方案，并讨论不同方案的权衡
- 当被问到挑战或失败经历时，诚实描述情况，但重点应放在你从中学到了什么、后续如何改进，这能体现你的反思和学习能力
- 请详细介绍一个你做过的最复杂的计算机视觉项目，你在其中负责什么？遇到了什么挑战，如何解决的？
- 请举例说明你是如何将一个较大的视觉模型（如ResNet）部署到资源受限的边缘设备上的？你具体采用了哪些优化技术，效果如何？
- 如果让你设计一个系统，用摄像头和振动传感器来判断洗衣机内衣物的材质和重量，你会如何设计算法框架和数据融合策略？
- 在模型量化（Quantization）过程中，你是如何选择量化策略（PTQ/QAT）的？遇到过精度损失过大的情况吗，是如何分析和调整的？
- 请分享一次你需要与硬件工程师或产品经理紧密合作完成项目的经历
职位点评
Watch Jobs