顶尖应届-感知大模型研究员-自动驾驶

优缺点分析

角色解读

• 初期聚焦感知模型研发与数据闭环建设，积累自动驾驶领域经验
• 中期可成长为感知算法专家或技术负责人，主导核心算法方向
• 长期可向自动驾驶系统架构师或技术总监发展，或转向物理AI其他方向
• 研发多传感器（摄像头、激光雷达、毫米波雷达）的感知模型，负责目标检测、在线地图构建等核心任务
• 构建感知模型的数据闭环，包括数据触发、自动标注和评测体系，持续优化模型性能
• 探索视觉基础模型（如DINO、VGGT）在自动驾驶场景中的迁移应用，推动技术突破
• 扎实的深度学习和计算机视觉基础，熟悉主流感知算法
• 熟练的C++编程能力，掌握Linux开发环境及数据结构与算法
• 熟悉PyTorch或TensorFlow框架，具备模型训练与调优经验
• 较强的独立研究与问题解决能力，有竞赛或论文发表经历更佳

申请策略

• 在投递时，可附上一份技术博客或GitHub项目展示相关技能
• 提前了解小米自动驾驶业务进展和技术博客，面试中展示热情
• 突出深度学习/计算机视觉项目经验，尤其是目标检测、多传感器融合相关
• 强调C++编程能力和算法竞赛或开源贡献
• 如有论文发表（顶会/期刊）需重点展示，并说明研究贡献
• 若有自动驾驶相关实习或项目经历，务必详细描述
• 补充或巩固PyTorch/TensorFlow的高级用法，如分布式训练、模型量化等
• 熟悉自动驾驶感知常用数据集（如nuScenes、Waymo）和评测指标

面试指南

• 对于项目介绍，采用STAR法则：背景、任务、行动、结果，突出技术难点和你的贡献
• 对于设计类问题，先明确目标和约束，然后分模块阐述方案，并讨论权衡
• 对于算法题，先分析题目类型，给出暴力解再优化，注意边界条件和复杂度分析
• 请详细介绍一下你参与过的目标检测项目，包括模型选型、优化过程和最终效果
• 如何设计一个数据闭环系统来持续提升感知模型性能？请举例说明
• 你对视觉基础模型（如DINO）的理解是什么？在自动驾驶场景中可能面临哪些挑战？
• C++中智能指针和内存管理相关的问题，以及如何优化深度学习推理性能
• 一道算法题：如二叉树遍历或动态规划，考察基本算法能力