资深感知算法工程师

优缺点分析

角色解读

• 纵向可发展为感知算法专家或首席科学家，主导下一代自动驾驶感知架构的设计
• 横向可拓展至多传感器融合（Lidar+Camera）或自动驾驶系统架构师方向
• 负责自动驾驶激光雷达（Lidar）感知算法的研发，包括3D目标检测、点云分割和多目标跟踪等核心模块
• 将前沿的感知算法在不同级别的自动驾驶产品中进行工程化落地、性能调优与迭代
• 扎实的深度学习理论基础，熟练掌握3D视觉和点云处理相关算法
• 出色的C++或Python编程能力，能够高效实现算法并优化工程性能
• 具备独立分析、定位和解决复杂算法与工程问题的能力

申请策略

• 了解初速度在量产自动驾驶和完全无人驾驶两条腿走路的产品战略，在面试中展现对业务落地的理解
• 重点突出在3D目标检测、点云分割或跟踪等Lidar感知方向的具体项目经验和性能指标提升
• 明确列出发表的顶会/顶刊论文（如CVPR, ICCV, ECCV, NeurIPS等）或国际竞赛（如KITTI, nuScenes）获奖经历
• 展示大型工程项目落地经验，强调算法在算力受限平台上的优化和实际量产效果
• 深入学习最新的3D点云处理网络（如PointPillars, CenterPoint, VoxelNet等）及多传感器融合算法
• 提升C++工程化能力，熟悉TensorRT、CUDA等模型部署与加速工具

面试指南

• STAR法则：情境（项目背景） -> 任务（面临的技术挑战） -> 行动（采用的算法/工程方案） -> 结果（量化的性能提升指标）
• 对比分析法：在回答算法选型时，对比不同方案的优缺点，结合具体场景（如算力、精度、延迟要求）说明选择理由
• 请详细介绍你做过最复杂的Lidar 3D目标检测或分割项目，遇到了哪些难点，是如何解决的？
• 在点云数据处理中，如何解决稀疏性和不均匀性问题？对比过哪些主流算法的优劣？
• 如何将一个复杂的深度学习模型部署到算力受限的车规级芯片上，并保证实时性？
• 针对自动驾驶中的Corner Case（如恶劣天气、异形障碍物），你在感知算法上做过哪些优化？
• 复习3D视觉和点云处理的经典与最新论文，确保能清晰阐述其核心思想和数学原理
• 准备1-2个自己主导的、有完整落地经验的开源项目或工程项目，能够深入讲解代码架构和性能优化细节