感知算法工程师/专家-北京

优缺点分析

角色解读

• 从感知算法工程师成长为自动驾驶感知领域的技术专家，主导核心算法架构设计
• 向感知团队技术负责人或算法总监方向发展，带领团队攻克行业前沿技术难题
• 研发基于深度学习的自动驾驶感知前沿技术，提升车辆对周围环境的理解能力
• 根据具体应用场景和客户需求，设计并提供定制化的深度学习解决方案
• 利用海量数据构建高效的自动标注系统，提升数据流转与模型迭代效率
• 扎实的深度学习理论基础，熟练掌握TensorFlow、PyTorch等主流框架
• 具备CUDA/TensorRT等AI加速库的开发与优化经验，能提升模型推理性能
• 拥有Lidar点云处理或计算机视觉感知经验，熟悉多传感器融合技术

申请策略

• 提前了解初速度在自动驾驶领域的最新技术路线与量产落地项目，面试时展现对公司业务的理解
• 准备好顶会论文或核心项目的技术细节，能够清晰阐述算法创新点与工程优化思路
• 重点突出在深度学习框架及CUDA/TensorRT加速库方面的实际项目经验与性能优化成果
• 详细列出在CVPR/ICCV等顶会发表的论文，或在计算机视觉/Lidar感知领域的具体落地项目
• 展示在海量数据处理与自动标注系统构建方面的经验，体现解决复杂工程问题的能力
• 深入学习多传感器融合感知技术，特别是视觉与Lidar点云的融合算法
• 提升C++工程化能力与模型部署优化经验，确保算法在车端的高效运行

面试指南

• STAR法则：针对项目经验，清晰阐述背景、任务、行动和结果，突出个人贡献与量化指标
• 技术深度剖析：从算法原理、工程实现、性能优化三个维度全面解答技术问题，展现扎实的基本功
• 请详细介绍你在Lidar感知或视觉感知项目中的算法设计与优化过程
• 在使用CUDA/TensorRT进行模型加速时，你遇到过哪些性能瓶颈，是如何解决的？
• 如何设计一个高效的自动标注系统来处理海量自动驾驶数据？
• 请分享一篇你发表的顶会论文，核心创新点是什么，在实际场景中如何落地？
• 复习计算机视觉与Lidar点云处理的经典算法与最新前沿论文，特别是与自动驾驶感知相关的研究
• 梳理过往项目中的技术难点与解决方案，准备好应对关于模型部署、加速与系统架构的深度提问