云端真值算法实习生-2027届

优缺点分析

角色解读

• 实习期间可深入接触小米自动驾驶量产数据，积累实战经验，为后续校招进入头部企业奠定基础
• 未来可向高级算法工程师、感知技术专家或研究科学家方向发展
• 表现优异者有机会转正，参与小米自动驾驶核心算法研发
• 研发云端大模型算法，优化场景标签生成技术，提升模型对视觉和点云数据的理解能力
• 探索重建、深度估计、语义分割等前沿方向，将算法应用于自动驾驶感知任务
• 基于量产数据设计无监督/自监督算法，增强模型的泛化性和空间感知能力
• 扎实的C++或Python编程能力，熟悉数据结构和算法
• 深入理解自动驾驶感知算法，如BEV感知、3D检测、Occupancy Network等
• 有NeRF、三维重建或深度估计等计算机视觉领域的研究或项目经验

申请策略

• 申请时附上技术博客或项目链接，展示技术深度
• 面试前熟悉小米自动驾驶的技术路线和公开论文，体现行业认知
• 突出自动驾驶感知相关的项目经验，尤其是BEV、Occupancy、NeRF等方向
• 强调编程能力（C++/Python）和算法竞赛或论文成果
• 若有开源贡献或GitHub项目，务必展示
• 系统复习3D视觉和深度学习理论，特别是多传感器融合和自监督方法
• 动手实现经典的感知模型（如BEVFormer、Occupancy Networks），提升编程熟练度

面试指南

• 采用STAR法则（情境-任务-行动-结果）描述项目，突出算法设计和效果
• 解释原理时，先讲核心思想，再用公式或流程图辅助，最后结合实际应用场景
• 请介绍你做过的一个自动驾驶感知项目，并说明其中的创新点
• BEV感知中如何融合多模态数据？
• 无监督/自监督学习在深度估计中的应用有哪些？
• NeRF的原理是什么？在自动驾驶中的潜在应用？
• 手撕代码：实现3D空间中点云的最近邻搜索
• 复习计算机视觉经典模型（ResNet、Transformer）和自动驾驶感知论文