（上海）感知融合算法工程师(J10467)

优缺点分析

角色解读

• 技术专家路线：深耕感知融合或建图算法，成为该领域的技术负责人或首席工程师
• 技术管理路线：带领小型算法团队，负责模块的技术规划、架构设计和团队培养
• 架构师路线：从单一算法模块扩展到整个感知系统乃至自动驾驶系统的设计与优化
• 开发并优化自动驾驶系统中摄像头、激光雷达、毫米波雷达等传感器的数据前融合算法，将多源信息整合为统一的环境感知结果
• 负责感知结果的后处理算法，例如对检测到的目标进行融合跟踪、对车道线等结构化信息进行精细化处理，提升感知输出的稳定性和可用性
• 参与开发在线实时建图技术，为车辆提供高精度的局部环境地图
• 扎实的编程能力，至少精通C++或Python中的一种，并能高效实现算法
• 具有计算机视觉背景，熟悉视觉感知模型（如车道线检测、目标检测）的开发，并有将模型部署到实际产品中的量产经验
• 理解多传感器融合的基本原理，如卡尔曼滤波，并掌握感知后处理的核心算法逻辑

申请策略

• 深入研究黑芝麻智能的产品（如自动驾驶计算芯片）及其技术路线，在面试中展示你对公司的了解和热情
• 准备讲述一个你在算法工程化过程中遇到的具体挑战以及你是如何解决的，这能体现你的实战能力
• 详细描述参与过的视觉或雷达感知模型开发项目，突出“从模型开发到上车量产”的完整流程和效果
• 列举使用C++/Python进行算法优化、性能调优或系统集成的具体案例，体现工程能力
• 如有BEV感知、在线建图或卡尔曼滤波等相关项目经验，务必单独成段详细说明
• 系统复习和深入研究多传感器融合（特别是前融合）的经典与前沿方法（如BEV-based融合）
• 加强在线建图、SLAM相关算法原理和工程实现的知识储备

面试指南

• 对于技术原理问题，采用“定义-原理-应用-局限性/改进”的结构进行回答，体现系统性思维
• 对于项目经验问题，使用STAR法则（Situation, Task, Action, Result），重点突出你在其中的技术决策和最终取得的量化成果
• 对于开放性优化问题，从数据、模型、算法、工程部署等多个层面展开讨论，展示全面的思考维度
• 请介绍一下你之前做过的视觉与雷达前融合项目，你们采用了什么架构？遇到了哪些主要挑战？
• 如何评估一个感知融合算法的性能？你会关注哪些关键指标？
• 卡尔曼滤波在目标跟踪融合中是如何应用的？它的局限性是什么？
• 在线实时建图（SLAM）与离线建图相比，主要难点在哪里？
• 如果让你优化一个现有车道线检测模型的性能（延迟和精度），你会从哪些方面入手？