Software Engineer, Perception (Robotics)

优缺点分析

角色解读

• 成为机器人感知与预测领域的资深专家，主导核心算法架构的设计与演进
• 向具身智能基础模型方向深入，探索大模型在机器人控制与决策中的边界
• 转向技术管理岗位，带领团队攻克复杂环境下的自动驾驶/机器人技术难题
• 负责机器人感知系统的核心模块开发，特别是多目标跟踪和开放集场景理解
• 构建运动预测模型，处理行人、车辆等多智能体的交互与轨迹预测
• 探索前沿的端到端感知预测架构及具身基础模型（VLM/VLA）在真实机器人上的落地部署
• 优化多传感器（相机、激光雷达等）的数据融合与时序一致性，确保系统实时性与安全性
• 扎实的计算机视觉与机器人学基础，精通多目标跟踪算法（如卡尔曼滤波、数据关联）
• 熟练掌握C++和Python，具备高性能嵌入式部署和工程化落地能力
• 熟悉多传感器融合技术（LiDAR/Camera/Radar）及时序BEV、占据网络等现代感知架构
• 具备端到端深度学习模型的开发、训练、蒸馏及在NVIDIA Orin等平台上的部署经验

申请策略

• 准备具体的案例，说明如何解决过遮挡、ID切换或长尾物体检测等实际难题
• 了解Grab的业务背景及其在东南亚市场的机器人配送战略，展现对业务的理解
• 突出展示在真实机器人或自动驾驶场景中落地的感知/预测项目，强调性能提升指标
• 详细列出在多目标跟踪、开放集检测或运动预测方面的具体算法贡献和创新点
• 强调C++/Python工程能力，特别是模型在嵌入式平台（如Orin）上的部署与优化经验
• 提及对VLM/VLA等基础模型在机器人领域应用的探索或实践经验
• 深入理解贝叶斯滤波、数据关联等传统跟踪算法的原理及其与现代深度学习的结合方式
• 熟悉主流的多传感器融合架构（如BEVFusion）及时序建模方法（如Transformer in Vision）

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验，重点突出个人贡献和技术难点突破
• 对比不同技术路线的优缺点，展示对算法适用场景的深刻理解，而非盲目追求新技术
• 结合具体指标（如MOTA, ADE, 延迟, 内存占用）来量化你的优化成果
• 体现工程思维，强调代码的可维护性、测试覆盖率和生产环境的稳定性
• 请详细介绍一个你参与过的多目标跟踪项目，你是如何处理ID切换和遮挡问题的？
• 在开放集场景下，如何设计算法以检测未知障碍物？有哪些具体的技术方案？
• 如何平衡传统几何方法（如卡尔曼滤波）与基于学习的方法（如端到端模型）在感知系统中的角色？
• 请描述一次你将复杂感知模型部署到嵌入式设备（如NVIDIA Orin）的经历，遇到了哪些性能瓶颈及如何解决？