感知算工程师-Occupancy

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技术专家或算法团队负责人
• 在自动驾驶量产落地领域积累稀缺的工程化经验，成为行业极具竞争力的高阶人才
• 研发和升级自动驾驶多模态通用障碍物感知算法，提升障碍物识别指标
• 攻克3D位置不准、误报、漏报等长尾场景（Corner Cases）的核心技术难题
• 推动感知算法在量产车型上的车端部署与工程化落地
• 扎实的C++/Python编程与数据结构算法基础，具备良好的工程化能力
• 深厚的机器学习与深度学习理论功底，能针对数据分布、Loss设计、网络结构进行模型调优
• 熟悉BEV、Occupancy Network、DETR等前沿自动驾驶感知架构及3D目标检测技术

申请策略

• 了解初速度在量产自动驾驶（Mpilot）和完全无人驾驶（Mpilot X）两条腿走路的产品战略，面试时可结合其量产数据闭环体系进行探讨
• 突出在BEV、Occupancy或DETR等前沿感知模型上的项目经验，详细说明网络结构设计与优化思路
• 强调解决过3D目标检测中的误报、漏报或位置不准等具体问题的案例，展示排查与调优能力
• 展示C++/Python工程化能力及模型在车端芯片或边缘设备上的部署优化经验
• 深入学习Occupancy Network和BEV感知架构的最新论文与开源实现，掌握前沿技术细节
• 提升C++工程化能力和模型在车端芯片上的部署优化技巧，了解TensorRT等推理加速工具

面试指南

• 采用STAR法则（情境、任务、行动、结果），重点突出“发现问题-分析原因-尝试方案-最终指标提升”的闭环
• 结合具体数据指标（如mAP、召回率提升）量化成果
• 请详细介绍你在BEV或Occupancy Network项目中的网络结构设计和优化思路
• 针对3D位置不准和误报问题，你通常从数据、Loss设计或网络结构哪些维度去排查和解决？
• 在模型性能调优中，如何处理数据分布不均或长尾场景的问题？
• 算法在车端部署时，如何平衡精度与实时性（算力限制）？
• 复习自动驾驶3D目标检测、BEV感知、Occupancy Network的经典与最新论文（如BEVFormer, FlashOcc等）
• 准备1-2个自己主导的、有明确指标提升的深度学习项目案例，理清技术细节与踩坑经验