EBM Yan Xia OD社招

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架构师
• 可向多传感器融合感知、大模型在自动驾驶的应用等前沿方向深耕
• 或转型为感知团队技术负责人，主导核心算法模块的技术演进
• 研发自动驾驶感知前沿技术，设计并优化深度学习解决方案
• 构建海量数据自动标注系统，提升数据流转与模型迭代效率
• 优化模型在CUDA/TensorRT等加速库上的部署与推理性能
• 精通Python/C++及至少一种主流深度学习框架（PyTorch/TensorFlow）
• 具备CUDA/TensorRT等AI加速库开发及底层性能优化经验
• 拥有扎实的计算机视觉或激光雷达感知算法基础及工程落地能力

申请策略

• 了解初速度在量产自动驾驶及Robotaxi双轮驱动的业务模式，在面试中展现对算法工程化落地的思考
• 突出在CVPR/ICCV等顶会的论文发表记录及具体核心贡献
• 详细列出CUDA/TensorRT模型加速优化的实际落地案例及量化性能提升指标
• 展示在计算机视觉或Lidar感知项目中的核心算法设计与海量数据处理经验
• 深入学习TensorRT底层原理及CUDA编程优化技巧，提升模型部署能力
• 了解当前自动驾驶感知领域的前沿趋势（如BEV、Transformer在感知中的应用）

面试指南

• 采用STAR法则（情境、任务、行动、结果），重点突出量化指标（如推理延迟降低百分比、mAP提升幅度）
• 技术选型问题需对比不同方案的优劣，并结合实际业务场景（如算力限制、实时性要求）给出结论
• 请详细介绍你在CUDA/TensorRT加速优化中遇到的最大挑战及解决方案？
• 针对自动驾驶中的多传感器融合感知，你倾向于哪种架构设计，为什么？
• 如何构建高效的数据自动标注系统，你在海量数据挖掘方面有哪些经验？
• 请分享一篇你发表的顶会论文，其核心创新点及在自动驾驶场景中的潜在应用是什么？
• 复习深度学习经典模型及最新自动驾驶感知SOTA论文（如BEVFormer等）
• 准备C++/Python底层实现细节及CUDA内存管理、线程同步等核心知识点