Senior R&D Engineer - Perception

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，引领技术方向
• 横向可拓展至多传感器融合、自动驾驶系统架构或技术管理岗位
• 研发和迭代自动驾驶视觉感知算法，探索BEV、OCC、Lidar、GOD等前沿技术方向
• 将感知算法部署到实际自动驾驶产品中，进行工程优化并解决落地过程中的实际问题
• 扎实的编程基础，精通C/C++和Python，熟悉常用数据结构与算法
• 深入理解机器学习与深度学习，在目标检测、图像分割等领域有丰富经验，熟练使用PyTorch/TensorFlow等框架

申请策略

• 了解初速度“量产自动驾驶”与“完全无人驾驶”两条腿走路的战略，在面试中展现对量产落地难点的理解
• 突出在CVPR/ICCV等顶会发表的论文，以及在目标检测、图像分割等方向的具体研究成果
• 详细列举参与过的视觉感知算法产品落地项目，强调解决了哪些实际工程问题及带来的性能提升
• 深入学习BEV、OCC等当前自动驾驶感知的主流架构，了解多传感器融合的最新进展
• 提升C++工程化能力，熟悉模型部署、TensorRT加速及车端算力平台的优化技巧

面试指南

• 采用STAR法则（情境、任务、行动、结果），重点突出“行动”中的算法设计思路和“结果”中的量化指标提升
• 对于工程落地问题，从“算法理论创新”和“工程部署优化”两个维度进行结构化回答
• 请详细介绍你在BEV或OCC方向的研究或项目经验，遇到了哪些难点以及如何解决的？
• 在目标检测或图像分割任务中，你是如何优化模型在车端算力平台上的推理速度和精度的？
• 面对自动驾驶中的长尾场景（Corner Cases），你在算法设计上有什么思路来提升鲁棒性？
• 请分享一个你主导的视觉感知算法从研发到实际产品落地的完整案例
• 复习深度学习经典模型及最新的自动驾驶感知论文（如BEVFormer, Occupancy Networks等）
• 准备1-2个自己最得意的项目，深入挖掘其中的技术细节、踩过的坑以及最终的优化方案