中联重科
雷达感知算法工程师
雷达感知算法工程师
发布于 12 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Pcl
Pytorch
Ros
Slam
多传感器融合
毫米波雷达
激光雷达
点云处理
值不值得投
71综合评分
综合评分 71
技术栈前沿、工程落地属性强、成长空间大，薪资与工作节奏信息不透明，需面试确认。
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
2.4万
比自动驾驶中位数低
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
7 个在招
职位详情
关于这个职位
该岗位面向工程机械与智能装备的自动驾驶场景，负责毫米波雷达和激光雷达感知系统的算法方案设计与落地，涵盖点云预处理、目标检测跟踪、小目标识别与多传感器融合
你需要输出算法设计文档与性能评估报告，配合系统与融合团队完成接口定义、协议制定和联调部署，并在具身感知场景中定位 Bad Case、迭代优化算法
最低要求
硕士及以上学历，计算机、电子信息、自动化、数字图像处理等相关专业
精通Pytorch、tensorflow、C++、python，具有常见3D和2D模型的基础知识，对transformer有较深的理解
有基于ros框架下的部署经验，有基于pcl的开发经验，对滤波算法和聚类算法熟练度高
熟练掌握多源融合SLAM技术、SFM技术及大规模三维点云处理等相关算法
具备良好的沟通能力和解决实际问题的能力，具备相关的工程化经验不少于3年
工作职责
负责自动驾驶毫米波雷达/激光雷达感知系统的算法方案设计，包括点云预处理、目标检测、跟踪及多传感器融合策略
完成基于雷达的小目标识别算法的开发与优化，输出算法设计文档、性能评估报告等开发文档
负责具身感知场景下的算法验证与优化，针对智能体在复杂动态环境中的交互感知需求，完成Bad Case定位与算法迭代整改
配合系统、融合团队完成雷达数据接口定义、通信协议制定及系统联调与落地部署
AI 洞察
优缺点分析
优点
- 技术栈覆盖面广，雷达点云、多传感器融合、SLAM、具身感知都是当前智能装备与自动驾驶的紧缺方向
- 岗位贯通算法设计与部署联调，能积累完整的工程化闭环经验，不只是做离线模型调参
- 依托大型装备制造企业的真实作业场景，感知算法有明确落地载体，成果可验证性强
- 需要同时对接系统、融合等多个团队并参与联调部署，工程协调成本高、沟通要求高
- 适合具备计算机视觉/点云感知背景、有 ROS 与 C++ 工程落地经验，希望在自动驾驶与具身智能方向长期深耕的算法工程师
缺点 / 挑战
- 长沙生活成本相对较低，同等技术岗位的实际可支配收入性价比较高
- 雷达小目标识别、复杂动态环境下的具身感知都属于行业难题，算法迭代周期长、Bad Case 排查压力大
- 岗位要求三年以上工程化经验且需现场办公，对独立解决问题和现场支持能力要求较高
角色解读
- 纵向可沿感知算法专家路线发展，深耕雷达点云检测、多传感器融合与端到端感知模型
- 横向可拓展至自动驾驶系统架构、具身智能感知或算法团队管理，承担更大范围的系统级设计
- 依托工程机械与智能装备的真实落地场景，积累从实验室算法到量产部署的完整闭环经验
- 负责自动驾驶场景下毫米波雷达与激光雷达感知系统的整体算法方案设计，包括点云预处理、目标检测、目标跟踪与多传感器融合策略
- 针对雷达小目标识别等难点做算法开发与优化，输出算法设计文档和性能评估报告，形成可复用的工程化沉淀
- 在具身感知场景中做算法验证，定位复杂动态环境下的 Bad Case 并推动迭代整改
- 与系统团队、融合团队协作定义雷达数据接口与通信协议，完成系统联调和上车落地部署
- 扎实的深度学习工程能力：精通 PyTorch/TensorFlow，熟悉常见 2D/3D 检测模型，并对 Transformer 结构有较深理解
- 较强的 C++/Python 工程实现能力，能在 ROS 框架下完成算法部署，并用 PCL 做点云处理
- 掌握多源融合 SLAM、SFM 及大规模三维点云处理算法，熟悉滤波与聚类等经典方法
- 具备从算法设计到接口联调、实车/实机部署的全链路落地经验，以及跨团队沟通与问题定位能力
申请策略
- 投递前了解中联重科在智能装备、无人化施工与具身智能方向的业务布局，面试中体现对作业场景的理解
- 简历中尽量用指标（mAP、跟踪 MOTA、误检率、推理时延）量化成果，便于技术面快速判断水平
- 重点突出雷达（毫米波/激光）点云感知项目，写清数据规模、模型方案、检测/跟踪指标提升幅度
- 强调工程化落地经历：ROS 下的模块部署、PCL 点云处理、接口协议对接与实车/实机联调
- 展示多传感器融合与 SLAM/SFM 相关项目，说明融合策略设计与效果对比
- 如有 Transformer 在 3D 检测或 BEV 感知中的应用经验，建议单独列出并量化收益
- 补强 3D 点云检测主流方法（如 PointPillars、CenterPoint、BEV 系列）的原理与复现经验
- 系统复习多源融合 SLAM 与标定时序同步、外参标定等工程细节，准备可讲述的实操案例
面试指南
- 项目类问题用 STAR 结构：背景场景→你的具体职责→技术方案与取舍理由→量化结果与复盘
- 技术细节问题先讲原理与假设，再讲工程约束下的折中方案，最后给出验证方式与效果数据
- Bad Case 类问题按「现象复现→数据切片分析→假设验证→方案迭代→回归验证」的闭环思路回答
- 请介绍一个你主导的雷达点云目标检测项目，方案选型依据是什么，最终指标如何？
- 毫米波雷达点云稀疏、噪声大，你如何做预处理、聚类与滤波？小目标漏检怎么优化？
- 多传感器融合中你如何处理时间同步与外参标定误差？融合策略是前融合还是后融合，为什么？
- 在 ROS 下部署模型时遇到过哪些性能瓶颈，如何做推理加速与内存优化？
- 讲一个你排查 Bad Case 的过程：如何定位问题、验证假设并完成算法迭代？
职位点评
薪资福利68
成长发展85
工作生活55
使命价值70
薪资福利
68中等
职位描述未披露薪资与福利信息，具体待遇需与 HR 确认；岗位技能门槛较高，通常对应市场中上水平的薪酬定位。
薪资信号未披露（AI估算：1.8千–3.0万/月）
成长发展
85较高
岗位覆盖雷达感知、多传感器融合、SLAM 与具身感知等方向，且要求从算法设计一直做到联调部署，技术成长与工程沉淀空间都较大。
技术前沿前沿/新兴技术
技术栈毫米波雷达、激光雷达、点云预处理、目标检测、目标跟踪、多传感器融合、Transformer、PyTorch、TensorFlow、C++、Python、ROS、PCL、SLAM、SFM
业务类型ambiguous
工作生活
55较低
职位描述未提及办公模式、弹性工时或加班情况，且岗位涉及系统联调与现场部署，工作节奏需进一步向 HR 了解。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
岗位面向自动驾驶与具身感知在真实装备场景中的落地，技术应用性强；但职位描述未提及使命或价值导向表述，行业社会影响偏中性。
行业发展新兴领域（暂难判断）
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs