黑芝麻
感知算法工程师(J10869)
感知算法工程师(J10869)
发布于 7 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
3D感知
Pytorch
Tensorrt
数据闭环
模型压缩
深度学习
目标检测
自动驾驶
计算机视觉
值不值得投
75综合评分
综合评分 75
前沿技术赛道、高成长性、薪资有竞争力，但工作与生活平衡需自行权衡。
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
40K
比计算机视觉工程中位数高
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
市场机会
选择适中
深圳 · 计算机视觉工程 · 29 个在招
职位详情
关于这个职位
这是一个专注于自动驾驶感知系统的算法工程师岗位
你将深度参与从感知算法设计、深度学习模型训练、量化压缩到车载平台部署优化的全流程开发，并负责构建数据闭环体系，为L2到L4级别的自动驾驶提供核心感知能力
最低要求
计算机、自动化、电子工程、人工智能等相关专业硕士及以上学历
熟练掌握Python/C++，熟悉PyTorch/TensorFlow等主流深度学习框架
具备扎实的计算机视觉与深度学习基础，有目标检测、3D感知、多传感器融合等项目经验者优先
了解模型压缩与部署流程，熟悉TensorRT、ONNX、OpenVINO或类似推理框架者加分
有实际车载部署经验或参与过量产项目者优先
具备良好的工程实现能力、问题分析能力和团队协作精神
对自动驾驶技术有强烈兴趣，能快速学习并应对复杂技术挑战
工作职责
负责自动驾驶感知模块（如目标检测、语义分割、多目标跟踪、BEV感知、Occupancy、端到端大模型等）的算法研发与迭代
设计并实现高性能、低延迟的深度学习模型，适配车载嵌入式平台
开展模型量化（PTQ/QAT）、剪枝、蒸馏等轻量化技术研究，提升模型推理效率
参与感知模型的端到端部署、性能调优及在线/离线评估体系建设
构建和维护高质量感知数据集，包括数据采集策略制定、自动标注 pipeline 开发、数据挖掘与长尾场景分析
与感知融合、规控、嵌入式等团队紧密协作，推动算法在实车上的落地与验证
优先资格
在CVPR/ICCV/ECCV/NeurIPS等顶会发表相关论文
熟悉ROS/ROS2、Apollo、Autoware等自动驾驶开源框架
有大规模数据管理、主动学习或自动标注系统开发经验
AI 洞察
优缺点分析
优点
- 直接参与L2+至L4级自动驾驶量产项目，技术落地价值高，能快速积累行业核心经验
- 岗位涉及算法、工程、数据全链路，技术栈全面且深入，对个人综合能力提升极大
- 公司已上市且专注于高壁垒的自动驾驶芯片与计算平台，能接触到行业前沿技术和顶尖团队
- 对自动驾驶充满热情，具备扎实的CV/DL基础和强大的工程落地能力，乐于解决复杂系统性问题，并希望在智能驾驶核心领域长期深耕的求职者
缺点 / 挑战
- 技术难度高，需跟进BEV感知、Occupancy、端到端模型等快速演进的技术方向，学习压力大
- 自动驾驶量产对稳定性、实时性要求极高，工程化部署与优化挑战巨大
- 与多个团队（感知、规控、嵌入式）紧密协作，沟通成本与系统集成复杂度较高
角色解读
- 技术专家路线：深耕感知算法，在BEV、端到端大模型等前沿方向成为领域专家
- 技术管理路线：成长为感知模块负责人或团队Tech Lead，负责技术选型与团队指导
- 跨界发展：向自动驾驶系统架构师、算法产品经理或相关创业方向拓展
- 负责自动驾驶核心感知算法的研发，包括2D/3D目标检测、语义分割、跟踪等
- 将先进的深度学习模型进行工程化优化（量化、剪枝、蒸馏），使其能在车载嵌入式芯片上高效运行
- 构建和维护感知数据闭环，包括数据挖掘、自动标注等，以持续提升算法性能
- 与硬件、规控等团队协作，完成算法在真实车辆上的部署、测试与迭代
- 扎实的深度学习与计算机视觉理论基础，熟悉主流检测、分割模型架构
- 精通Python/C++编程，熟练使用PyTorch/TensorFlow进行模型训练与开发
- 具备模型压缩与部署经验，了解TensorRT、ONNX等推理框架，能解决嵌入式平台部署问题
- 良好的工程化能力，能独立构建或优化数据处理Pipeline，具备解决复杂系统问题的思路
申请策略
- 面试前，深入研究黑芝麻智能的产品线（如A1000芯片）及其软件栈，了解其技术特点和市场定位
- 准备一个能清晰阐述的技术难题解决案例，体现你的分析思路、技术深度和工程素养
- 详细描述1-2个与自动驾驶或3D感知相关的完整项目，突出算法设计、模型优化（量化/部署）的具体实践和成果
- 清晰列出掌握的编程语言、深度学习框架、模型部署工具（TensorRT等），并说明熟练程度
- 如有顶会论文、开源项目贡献、或相关竞赛名次，请突出展示
- 强调跨团队协作经验以及分析、解决复杂工程问题的具体案例
- 深入学习BEV感知、Transformer、NeRF等最新自动驾驶感知技术
- 实践模型量化（QAT/PTQ）、剪枝、蒸馏等技术，并尝试在边缘设备（如Orin平台）上完成部署实验
面试指南
- 使用STAR原则（情境、任务、行动、结果）清晰描述项目经历，重点突出技术决策过程、遇到的具体困难和你采取的解决方法
- 回答技术问题时，先给出核心观点，再结合原理、实际数据和实验结果进行分层阐述，体现系统思考
- 对于未来趋势等开放性问题，结合技术原理、行业动态和自身实践进行有理有据的分析，避免空泛议论
- 请介绍一个你负责的、最有挑战性的计算机视觉或模型部署项目，具体是如何解决其中技术难点的？
- 如何评价YOLO、BEVFormer等模型在自动驾驶场景下的优劣？它们在工程部署时会面临哪些挑战？
- 如果让你设计一个适用于车载平台的实时3D目标检测流水线，你会如何考虑算法选型、延迟与精度的平衡？
- 你对模型量化（PTQ/QAT）的理解有多深？能否举例说明你如何通过量化技术将模型部署到嵌入式平台？
- 你如何看待自动驾驶感知技术的未来发展趋势，特别是端到端大模型？
职位点评
薪资福利75
成长发展90
工作生活50
使命价值85
薪资福利
75中等
该岗位处于市场薪资较高区间，且公司为已上市企业，通常福利体系相对完善。但JD未明确提及具体福利项。
薪资信号偏高 (3–5万/月)
成长发展
90较高
岗位涉及自动驾驶最前沿的感知算法（BEV、端到端大模型）及全链路开发，技术成长空间大，且有明确的量产落地场景，利于积累高端技术经验。
技术前沿前沿/新兴技术
技术栈BEV感知、Occupancy、端到端大模型、模型量化（PTQ/QAT）、TensorRT、PyTorch
成长机会深度参与...全链路开发、协同构建...数据闭环体系、推动算法在实车上的落地与验证
业务类型profit_center
工作生活
50较低
JD未明确提及办公模式或工作强度信息，自动驾驶行业通常研发节奏快，可能面临较高的交付压力和不确定性。工作地点在一线/新一线城市核心区或产业园。
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
85较高
岗位直接参与构建更安全、可靠的自动驾驶系统，具有明确的社会价值。所属的自动驾驶行业处于高速发展期，创新性强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号打造安全、可靠的未来出行系统
创新程度积极采用新技术
Watch Jobs