视觉感知算法工程师

优缺点分析

角色解读

• 技术纵深：从单模块算法（检测/标定）成长为多传感器融合与感知系统架构负责人
• 横向拓展：向具身智能、自动驾驶全栈、数据闭环与大规模训练平台方向延伸
• 管理与平台路线：带小型算法团队，或转向感知技术规划、产品化落地与跨部门协同角色
• 做机器人 3D 视觉感知的核心算法：3D 目标检测与跟踪、语义分割、场景理解、多模态与 BEV+Occ 表征，让设备能看懂周围环境
• 打通从传感器到算法落地的全链路：接入相机、激光雷达、毫米波雷达，做内外参标定、滤波与运动补偿，并把模型部署到嵌入式设备上跑通
• 负责数据闭环：自动化数据标注、感知性能评测、难例场景挖掘，用集群训练持续迭代模型效果
• 针对工程机械真实工况（强震动、逆光、扬尘、雨雾）做图像增强与鲁棒性优化
• 扎实的 C++ 与 Linux 开发能力，能写高性能、可上车的工程代码，而不只是跑通 demo
• 熟悉 PyTorch/TensorFlow 与主流检测/分割/跟踪网络，理解多传感器融合、概率感知、深度估计等至少一个方向的原理
• 掌握相机模型与标定体系：针孔模型、畸变校正、双目/单目测距、手眼标定，以及激光/毫米波雷达数据处理
• 具备模型压缩与嵌入式部署优化经验（算子优化、前后处理加速、实时性调优）

申请策略

• 投递前先与 HR 确认工作城市与团队归属（长沙研发中心或上海基地），两地生活成本与团队方向差异较大
• 提前了解公司在智能施工、无人化工程机械方向的业务布局，面试中能结合产品场景谈算法选型会加分
• 突出至少一个完整的感知项目闭环：从数据采集、标定、训练到嵌入式部署上线的全流程，写清你负责的模块与量化指标（mAP、召回、帧率、时延）
• 强调 C++/Linux 工程能力：实时性优化、内存/算力受限环境下的模型加速经验要单独成条
• 列出多传感器融合与标定实操经历：相机内参/畸变、双目/单目测距、激光雷达与相机外参联合标定
• 如有自动驾驶、矿车、无人叉车、工业机器人视觉经验，务必在简历开头点明，这是 JD 明确写出的优先项
• 补齐 BEV+Occ、多模态与大模型相关内容，至少能讲清基本范式与代表性工作
• 强化嵌入式部署技能：TensorRT/ONNX Runtime、算子融合与量化，准备一个能讲透的加速案例

面试指南

• 项目类问题用 STAR 结构：场景约束 → 你的具体方案与选型理由 → 量化结果 → 复盘与改进
• 技术原理题先给结论和适用边界，再展开关键公式或实现细节，最后说明你在实际项目中如何取舍
• 开放性问题（如恶劣工况）按‘数据层—模型层—后处理层’分层作答，体现系统性思维
• 讲讲你做过的一个 3D 目标检测项目，如何处理点云稀疏与遮挡问题？效果指标如何？
• 相机与激光雷达的联合标定你具体怎么做？外参误差如何评估与修正？
• 在算力受限的嵌入式平台上，你做过哪些模型加速与前后处理优化？实时性提升了多少？
• 多传感器融合时如何做时间同步与运动补偿？遇到过哪些工程坑？
• 针对扬尘、逆光、雨雾等恶劣工况，你会用哪些图像增强或数据增强策略提升鲁棒性？