黑芝麻
感知算法工程师Occupancy(J10900)
感知算法工程师Occupancy(J10900)
发布于 8 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
3D视觉
Bev
Occupancy
Pytorch
Tensorrt
时序融合
模型部署
值不值得投
74综合评分
综合评分 74
技术前沿、成长性强，但工作生活平衡信息不明，需做好高强度投入的准备。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比自动驾驶中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
24 个在招 · 其中自动驾驶 8 个
市场机会
选择面较广
上海 · 自动驾驶 · 91 个在招
职位详情
关于这个职位
该职位是自动驾驶感知领域的算法工程师，专注于BEV（鸟瞰图）Occupancy（占用网络）与稀疏体素表征技术
主要负责相关算法的前沿研发、优化和工程落地，包括从算法设计、训练、优化到模型部署的全流程工作，以提升自动驾驶系统在复杂场景下的感知能力
最低要求
研究生及以上学历，计算机/自动化/电子相关专业
熟悉 3D 视觉与 BEV 相关方法（Occupancy / 3D 检测/分割）
熟练使用 PyTorch，有完整训练与调参经验
具备较强的工程实现与问题定位能力
工作职责
负责 BEV Occupancy 与稀疏体素表征算法的研发与落地
设计并优化稀疏体素构建、采样与解码模块，提升精度与效率
进行多视角时序融合与跨帧一致性建模，增强动态/遮挡场景表现
设计损失函数与训练策略，提升稀疏远距与细粒度占用预测
构建数据闭环与评测体系，推动算法迭代
完成模型部署优化与推理加速
优先资格
有落地项目经验，能独立完成算法设计与实现
有 BEV Occupancy 或稀疏体素落地经验
有时序融合、稀疏注意力、Transformer 等实践
有车载部署优化经验（TensorRT/ONNX/CUDA）
顶会论文或开源贡献
AI 洞察
优缺点分析
优点
- 平台优势：身处已上市的大型自动驾驶企业，有较充足的资源进行算法研发与落地验证
- 项目落地：职位强调研发与落地结合，能获得从算法到产品的完整项目经验
- 技术难度高：Occupancy、稀疏体素等技术仍在快速发展，需要持续学习跟进
- 工程化复杂：算法优化与车载部署（TensorRT/ONNX/CUDA）需要深厚的工程功底，调试周期长
- 跨领域协作：需要与数据、硬件、系统等多个团队紧密协作，沟通成本高
- 适合对计算机视觉、3D几何处理有浓厚兴趣，具备较强算法建模和工程实现能力的硕士及以上学历求职者
- 希望投身自动驾驶行业，并追求技术深度和实际影响力的人
缺点 / 挑战
- 技术前沿：工作在自动驾驶感知算法的前沿领域（Occupancy），技术挑战性强，能快速积累高端技能
角色解读
- 技术路线：可深入研究Occupancy Network、神经辐射场（NeRF）等前沿方向，成为该领域的算法专家或科学家
- 工程路线：可转向自动驾驶感知系统的整体架构设计或平台开发
- 管理路线：可带领小型技术团队，负责特定感知模块的规划与交付
- 研究并实现先进的BEV Occupancy感知算法，将多摄像头视角数据转化为三维空间占用信息，为自动驾驶决策规划提供感知基础
- 设计高效的稀疏体素表征模型，在保持精度的同时降低计算与存储开销
- 负责算法的工程化，包括从模型训练、优化到在车载芯片上的部署和推理加速
- 需要扎实的计算机视觉和深度学习基础，尤其是3D视觉（点云、体素）和BEV感知技术栈
- 熟练掌握PyTorch框架及模型训练、调优全流程
- 具备将复杂算法模型工程化的能力，了解TensorRT、ONNX、CUDA等推理优化工具
- 对自动驾驶场景（如遮挡、动态物体处理）有深入理解
申请策略
- 研究黑芝麻智能在感知算法方面的公开资料或技术分享，了解其技术栈和关注点
- 准备一个能体现你算法设计与工程化能力的完整项目案例
- 在面试中展现你对技术难题（如稀疏远距预测、时序一致性）的思考和解决方案
- 重点突出与BEV、Occupancy、3D检测/分割相关的科研项目或工作经历，详细描述所用方法和取得的效果
- 展示使用PyTorch进行模型训练、调优的完整经验，最好有数据集和指标对比
- 如果有模型优化、部署加速（TensorRT/CUDA）或顶会论文、开源项目经验，务必在简历中醒目展示
- 深入学习Occupancy Network及相关论文（如 SurroundOcc, OpenOccupancy），理解其核心思想与最新进展
- 系统性地实践模型部署优化流程，可以从ONNX转换和TensorRT基础配置开始
面试指南
- 对于项目经历问题，采用STAR法则（情境、任务、行动、结果）结构化回答，并突出你的技术选型和优化过程
- 对于技术方案问题，从问题分析、方法选型、工程实现、效果评估几个层面展开，体现系统化思维
- 对于开放性设计问题，先明确目标与约束，再提出分模块的设计思路，并说明可能的挑战和验证方法
- 请介绍一个你做过的BEV或Occupancy相关的算法项目，以及你遇到的主要挑战和解决方案
- 如何优化一个3D检测模型在车载平台上的推理速度？请描述TensorRT或ONNX的使用经验
- 对于动态场景下的时序融合，你通常如何设计网络结构和损失函数？如果让你设计一个针对稀疏远距障碍物的Occupancy预测模块，你会考虑哪些关键因素？
- 系统复习3D视觉、点云处理、BEV感知（如LSS、BEVFormer）的核心论文和方法
- 梳理一个自己主导的、有技术深度的项目，准备好细节（如代码设计、性能瓶颈分析）
职位点评
薪资福利78
成长发展92
工作生活45
使命价值70
薪资福利
78中等
该职位属于技术要求高的研发岗，在上海自动驾驶行业应有市场竞争力的薪资水平，但具体福利未在JD中披露。
薪资信号面议 (2.5–4.5万/月)
成长发展
92较高
该职位聚焦于自动驾驶感知的前沿技术领域，提供从算法研发到部署落地的完整成长路径，技术挑战与成长空间并存。
技术前沿前沿/新兴技术
技术栈BEV、Occupancy、稀疏体素、PyTorch、时序融合、Transformer、TensorRT、ONNX、CUDA
成长机会研发与落地、推动算法迭代
业务类型profit_center
工作生活
45较低
JD未提及任何工作模式（如远程、弹性）或WLB相关信息，无法判断其生活化动机的满足程度。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
自动驾驶是推动交通变革的新兴产业，从事核心感知算法研发具有明确的技术价值和社会意义。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs