WeRide logo
文远知行
感知算法工程师-- 机器学习/视觉算法(AI)

感知算法工程师-- 机器学习/视觉算法(AI)

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 3.0–6.0万 · AI 参考估算
感知算法工程师, China
中级经验
学历未注明
全职员工仅现场办公计算机视觉工程
计算机视觉工程
传感器标定
多传感器融合
机器学习
模型优化
深度学习
目标跟踪
自动驾驶感知
计算机视觉
障碍物检测

值不值得投

76综合评分

综合评分 76

前沿自动驾驶感知算法岗,技术成长和使命感强,办公与生活平衡信息不明确

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

4.5万

比计算机视觉工程中位数高

发布情况

新岗位 · 今天发布

市场机会

选择面较广

计算机视觉工程 · 约 440 个在招

职位详情

关于这个职位

该职位面向自动驾驶感知算法研发,负责障碍物检测、分类、跟踪、场景理解及多传感器融合等模型算法设计与落地

你将参与把深度学习模型部署到车端,并在有限算力下优化性能与可靠性,适合有机器学习、视觉算法和C++工程能力的工程师

最低要求

我们需要你:

同时具有很强的算法和C++编程能力
或者在机器学习/深度学习,计算机视觉,模型优化等至少一个方向上有扎实的基础和丰富的经验
拥有强大的逻辑思维能力,算法能力,以及解决问题的能力
具有良好的沟通能力和跨组合作能力
具有强烈的自我驱动能力对无人驾驶真正的 believe

工作职责

感知软件工程师负责无人驾驶感知系统的设计和实现,应对无人驾驶中各种最有挑战的问题:

设计高效可靠的深度学习模型,在几十毫秒内精确检测和跟踪车周围200米之内所有的障碍物(人,车,非机动车辆,交通锥等),并对场景进行理解
如何设计一般性的模型和算法去处理各式各样的长尾情况和极端环境,如路面上的垃圾袋,洒水车的水花,前车掉下来的挡板 ,如大雨,大雪,雾霾,风沙等
如何保证感知模型和算法在极端的环境里的准确性和可靠性,如大雨,大雪,雾霾,风沙等
把模型优化到极致,让十几个到几十个模型在车上有限的计算资源上欢快的运行
如何搭建一个高效可靠的计算框架,支撑一个周期内接收几十个传感器的输入,做各种同步融合,并进行几十个深度学习模型的推理
这个方向的感知工程师负责设计并实现传感器标定,障碍物检测,分类,跟踪,和场景理解等各种模型和算法,对模型和算法进行评估和测试,并把模型和算法部署到车上

优先资格

加分项:

丰富的C++开发经验,熟悉多线程,内存管理,泛型,及设计模式.
丰富多传感器融合以及2d/3d跟踪的经验
在顶会发表了文章

AI 洞察

优缺点分析

优点

  • 自动驾驶感知是技术密度高的核心方向,能积累深度学习、视觉算法和车端部署的复合能力
  • 公司已在全球多个城市开展研发、测试及运营,岗位有机会接触真实业务场景和产品落地
  • 团队背景多元,JD提到来自多家科技公司和顶尖高校的人才,技术交流和脑力碰撞机会较多
  • 感知系统需要在几十毫秒内完成复杂推理,对算法性能、工程优化和稳定性要求很高
  • 长尾场景和极端环境复杂,模型泛化、可靠性验证和问题闭环可能非常耗时
  • 岗位同时要求算法能力和C++工程能力,候选人需要兼顾研究深度与工程落地能力
  • 适合对无人驾驶有强烈兴趣,具备机器学习/视觉算法基础,并愿意深入C++工程实现和车端部署的工程师

缺点 / 挑战

  • JD明确涉及L4自动驾驶、多传感器融合、长尾场景和模型优化,工作内容具有较强挑战性和技术成长性

角色解读

  • 初期可深耕感知算法能力,成为障碍物检测、跟踪、多传感器融合或模型优化方向的专家
  • 中期可向端到端感知系统、自动驾驶全栈算法或车端推理架构方向扩展,提升系统级设计能力
  • 长期可发展为技术专家、算法负责人或感知团队技术管理者,主导复杂感知产品落地
  • 设计并实现自动驾驶感知模型,包括障碍物检测、分类、跟踪和场景理解,支撑车辆准确识别周围环境
  • 处理长尾场景和极端天气等复杂问题,提升感知系统在真实道路环境中的准确性与可靠性
  • 对深度学习模型进行压缩、加速和车端部署,在有限车载算力下满足实时性要求
  • 参与多传感器输入同步融合和感知计算框架建设,支撑多个模型在车端稳定运行
  • 需要较强的机器学习、深度学习和计算机视觉基础,熟悉检测、跟踪、场景理解等视觉算法任务
  • 需要具备较强的C++工程能力,能够进行高性能算法实现、多线程开发和车端部署优化
  • 需要熟悉多传感器融合、传感器标定或2D/3D跟踪等自动驾驶感知关键技术
  • 需要具备算法评估测试、问题定位、跨团队协作和自我驱动能力,能持续推进复杂系统落地

申请策略

  • 申请前建议了解文远知行的产品矩阵和自动驾驶落地场景,尤其是Robotaxi、小巴、货运和环卫业务差异
  • 面试中应体现对无人驾驶安全和可靠性的重视,而不仅是单个模型指标
  • 重点突出与目标检测、目标跟踪、场景理解、多传感器融合相关的项目经历,说明模型方案和效果指标
  • 强调C++工程能力,尤其是高性能计算、多线程、内存管理、设计模式或实际系统落地经验
  • 展示模型优化与部署经验,如推理加速、模型压缩、算力约束下的实时性优化和车端/边缘端部署
  • 如果有顶会论文、开源贡献、自动驾驶竞赛或复杂长尾场景处理经验,应放在显眼位置
  • 补强2D/3D检测与跟踪、BEV感知、多传感器融合等自动驾驶感知核心知识体系
  • 提升C++高性能编程和模型部署能力,熟悉推理框架、并行计算、内存优化和系统性能分析

面试指南

  • 项目类问题按“背景目标—技术方案—关键难点—量化结果—复盘改进”的结构回答,突出指标和落地价值
  • 技术问题按“问题定义—约束条件—候选方案—取舍理由—验证方式”展开,体现工程判断力
  • 行为类问题结合跨组协作、自我驱动和无人驾驶信念,用具体案例说明你如何推进复杂任务
  • 请介绍一个你做过的目标检测或目标跟踪项目,包括模型设计、数据集、评价指标和最终效果
  • 如何处理自动驾驶感知中的长尾场景,例如路面异物、极端天气或传感器异常?
  • 在车载算力受限的情况下,你会如何优化多个深度学习模型的推理性能?
  • 请说明你对多传感器融合的理解,以及相机、激光雷达等传感器信息如何互补
  • 你在C++项目中遇到过哪些性能瓶颈?如何定位并优化?

职位点评

薪资福利78
成长发展90
工作生活45
使命价值88

薪资福利

78中等

JD未披露薪资与具体福利,但岗位属于高门槛算法研发方向,通常对具备机器学习、视觉和C++能力的工程师有较好吸引力。稳定性相关信息未提及,无法进一步判断。

薪资信号未披露(AI估算:3.0千–6.0万/月)

成长发展

90较高

岗位覆盖深度学习模型设计、长尾场景处理、模型优化、多传感器融合和车端部署,技术深度和系统复杂度都很高。JD还提到团队技术背景多元,对算法工程师成长较有利。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、计算机视觉、C++、多传感器融合、2d/3d跟踪、模型优化、传感器标定、障碍物检测、场景理解
业务类型profit_center

工作生活

45较低

JD未明确办公模式、远程天数、弹性工时或加班情况,无法判断工作生活平衡水平。工作地点仅显示为China,具体城市和通勤便利度也未披露。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

88较高

JD明确提出“以无人驾驶改变人类出行”,并强调产品落地、创造社会价值、推进行业技术,使命导向清晰。自动驾驶感知直接关系道路安全与出行效率,意义感较强。

行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号以无人驾驶改变人类出行、创造社会价值、推进行业技术
创新程度积极采用新技术
Watch Jobs