点云感知算法工程师

优缺点分析

角色解读

• 技术专家路线：深耕点云感知与3D视觉领域，成为自动驾驶感知算法的技术权威
• 技术管理路线：在积累项目经验后，可带领小团队负责特定算法模块的研发与交付
• 跨领域拓展：从单一传感器算法向多传感器融合感知、定位与地图构建等更广阔的自动驾驶技术栈发展
• 研究并开发基于激光雷达点云的前沿感知算法，包括目标检测、分割与聚类等
• 将算法工程化，负责模型的训练、优化以及在实际产品中的部署与集成
• 开发和维护点云数据的采集与标注流程，保证算法训练数据的质量
• 分析激光雷达系统特性，协同优化感知算法以提升雷达整体性能并拓展应用
• 扎实的编程能力，精通Python/C++等语言，能够高效实现和调试算法
• 熟练掌握PyTorch或TensorFlow等深度学习框架，具备模型训练、优化与部署经验
• 了解点云数据处理和3D感知算法，有计算机视觉或传感器融合相关项目经验者优先
• 良好的沟通与团队协作能力，能与硬件、软件等团队紧密配合推进产品落地

申请策略

• 在简历和面试中，重点体现你解决“算法如何从论文/代码走向产品”这一核心问题的能力与思考
• 可以提前研究禾赛的激光雷达产品线（如AT128， FT120）及其技术特点，在面试中展现你的了解和兴趣
• 详细描述参与过的点云处理、3D目标检测或SLAM相关项目，突出个人在其中的具体贡献
• 展示使用PyTorch/TensorFlow等框架训练和优化模型，并将模型部署到实际系统（如使用TensorRT, ONNX Runtime等）的经验
• 列出你精通的编程语言和工具，并强调在算法实现、性能优化方面的代码能力
• 系统学习激光雷达的工作原理、点云数据特性以及主流的点云感知算法（如PointNet, VoxelNet, CenterPoint等）
• 补充学习模型压缩、量化、部署等工程化知识，了解在嵌入式平台（如NVIDIA Orin）上部署深度学习模型的流程
• 关注自动驾驶行业动态，了解禾赛等头部公司的产品路线和技术挑战

面试指南

• 使用STAR法则（情境、任务、行动、结果）清晰地讲述项目经历，重点突出你的技术决策和量化成果
• 回答系统部署问题时，可从模型优化（剪枝、量化）、推理引擎选择、计算资源评估等多个维度展开
• 谈论技术挑战时，展现你对问题本质的分析能力，并说明你尝试过的不同解决方案及其优劣
• 请介绍一个你做过的点云处理或3D感知相关的项目，你遇到了哪些技术难点？如何解决的？
• 你如何将一个训练好的深度学习模型部署到资源受限的嵌入式平台？需要考虑哪些关键因素？
• 激光雷达点云数据有哪些特点和挑战（如稀疏、噪声、无颜色）？针对这些特点，算法上通常如何处理？
• 当感知算法的性能（如准确率）和实时性（如延迟）出现矛盾时，你会如何权衡和优化？
• 你对激光雷达在自动驾驶中的应用前景有什么看法？