软件架构师（Lidar感知算法） -苏州

优缺点分析

角色解读

• 从高级算法专家向首席科学家或自动驾驶感知技术负责人方向发展，主导下一代感知技术路线
• 深耕3D视觉或点云处理领域，成为行业内具备量产落地经验的顶尖技术领军人物
• 负责自动驾驶激光雷达感知算法的核心研发，涵盖3D目标检测、点云分割与目标跟踪等前沿任务
• 推动感知算法在量产自动驾驶产品中的工程化落地，解决车端部署中的性能与实时性优化问题
• 扎实的深度学习理论基础与出色的C++/Python编程能力，能够独立解决复杂的算法与工程问题
• 具备将前沿算法转化为大型工程项目的落地经验，熟悉点云数据处理与3D视觉模型架构

申请策略

• 提前了解初速度在量产自动驾驶（如MPilot）方面的产品布局，准备针对其实际业务场景的算法优化思路与落地方案
• 重点突出在3D目标检测、点云处理等方向的顶会/顶刊论文发表记录或国际竞赛获奖经历
• 详细列举参与的大型工程项目落地经验，量化说明在精度提升、推理加速或系统优化方面的具体贡献
• 深入学习C++工程化部署与性能优化技术（如TensorRT、CUDA算子优化），提升算法在车端受限算力下的运行效率
• 关注并复现最新的Lidar感知开源项目或顶会论文（如CenterPoint等），保持对前沿技术栈的熟悉度

面试指南

• 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出“发现问题-分析原因-提出创新方案-量化收益”的闭环
• 对于工程部署问题，从模型压缩、算子优化、系统调度、数据流优化等多维度进行系统性回答，展现全局架构思维
• 请详细介绍你参与过的一个3D目标检测或点云分割项目，遇到了哪些难点及如何解决？
• 在将感知算法部署到车端时，如何平衡模型精度与推理实时性？
• 针对Lidar点云的稀疏性和不均匀性，你在网络结构或数据预处理上做过哪些优化？
• 请分享一个你主导的大型工程项目落地经验，如何保证算法在复杂场景下的鲁棒性？
• 复习PointNet、VoxelNet、CenterPoint等经典及最新的Lidar感知算法论文，理解其核心创新点与局限性
• 准备1-2个自己主导的、有明确性能指标提升的落地项目案例，能够清晰阐述技术选型背后的权衡逻辑