资深感知算法工程师

优缺点分析

角色解读

• 从感知算法专家向技术架构师或感知团队技术负责人发展
• 在自动驾驶量产落地中积累核心壁垒，成为行业稀缺的量产感知专家
• 负责多模态通用障碍物技术的升级与优化，提升障碍物识别指标并推进量产落地
• 解决现有通用障碍物识别中的技术难题，将前沿算法转化为量产车上的实际应用
• 针对模型性能问题进行调优，包括学习率、数据分布、Loss及网络结构的调整
• 精通C++或Python，具备扎实的数据结构与算法基础
• 拥有深厚的机器学习与深度学习背景，能灵活运用各类方法解决模型性能问题
• 熟悉BEV、Occupancy Network、DETR等前沿感知算法，具备静态障碍物目标检测量产经验

申请策略

• 了解初速度在量产自动驾驶方面的技术路线和产品落地情况，准备相关的技术见解
• 突出BEV/Occupancy/DETR等模型的实际项目经验与网络结构设计
• 强调模型性能调优（Loss、数据分布等）的具体案例与量化收益
• 展示静态障碍物检测的量产落地成果及解决长尾问题的经验
• 深入学习多模态融合技术（如视觉与激光雷达融合）及最新感知算法论文
• 熟悉车规级部署与模型压缩、加速技术，提升工程落地能力

面试指南

• 采用STAR法则：情境（量产/特定场景）-> 任务（指标提升/解决长尾）-> 行动（模型结构修改/数据增强/训练策略）-> 结果（指标提升数据/量产效果）
• 针对技术细节，先讲核心思路，再补充具体参数调整或代码实现层面的优化
• 请详细介绍你在BEV或Occupancy Network项目中的网络结构设计与优化经验？
• 在解决通用障碍物识别的长尾问题时，你采取了哪些数据分布或Loss层面的策略？
• 如何将复杂的感知模型部署到量产车端，并满足实时性与算力限制要求？
• 复习最新的感知算法论文（如BEVFormer, Occupancy Networks等）及其在量产中的变体
• 准备1-2个自己主导的、有明确数据收益的模型优化或长尾问题解决案例