智能驾驶软件算法工程师8213

优缺点分析

角色解读

• 向技术专家方向深入：成为智驾算法架构或模型部署领域的权威专家
• 向技术管理方向发展：担任技术团队Leader或项目经理，负责更大规模的技术选型和团队协调
• 跨领域拓展：从算法开发延伸到系统集成、芯片设计需求定义等方向，参与更上层的产品规划
• 负责智驾算法系统的整体方案设计、架构搭建与优化，包括高速NOA、城市NOA、泊车等功能的软件在环与硬件在环搭建
• 牵头算法系统与底软、传感器、执行器的全流程对接，确保接口兼容和数据通畅，解决数据异常问题
• 将深度学习模型部署到嵌入式平台（如NVIDIA、地平线），优化模型在图像和点云数据上的性能与实时性
• 评估智驾算法生态伙伴产品，主导基于BEV、Transformer、VLA等前沿架构的方案设计
• 精通C++/Python和PyTorch/TensorFlow等深度学习框架，熟悉OpenCV、PCL、ROS等工具库
• 深入理解经典算法（CNN、YOLO、PointPillars等）和前沿技术（BEV、Transformer、端到端模型）
• 具备自动驾驶视觉3D感知、BEV/OCC算法量产经验，熟悉模型部署和优化（蒸馏、量化）
• 了解底软、传感器、执行器工作原理，熟悉Linux系统及ROS框架，具备车载调试能力

申请策略

• 关注公司在新紫光集团下的技术布局和自研芯片进展，在面试中展现对业务的理解
• 提前准备一个完整的端到端智驾系统设计案例，从感知到控制，体现系统性思维
• 突出智驾算法量产经验，特别是NOA、泊车、感知等模块的落地案例，附上具体技术细节和成果
• 强调对BEV、Transformer等前沿架构的深入理解，可以展示相关项目或开源贡献
• 列出模型部署优化经验（如NVIDIA、地平线平台），以及性能提升数据
• 突出跨团队协作和文档编写能力，用具体事例说明技术对接中的问题解决
• 补充模型蒸馏、量化等模型优化技术，可提前学习相关论文和工具
• 熟悉主流开源智驾算法框架（如Apollo、Autoware），尝试复现或改进

面试指南

• STAR法则：情境-任务-行动-结果，重点突出技术决策和量化成果
• 技术对比法：比较不同方案优劣，展示对技术选型的深度理解
• 问题分解法：将复杂问题拆解为子问题，体现系统性分析和解决能力
• 请详细描述你参与过的一个智驾算法量产项目，包括方案选型、遇到的挑战及解决方式
• BEV感知相比传统视觉感知有哪些优势？如何设计一个高效的BEV特征提取网络？
• 你在模型部署中做过哪些优化？如何平衡精度和实时性？
• 请解释Transformer在智驾中的应用，如VLA模型是如何工作的？
• 当传感器数据出现异常时，如何定位问题并保证算法输出仍可靠？