中联重科
视觉大模型三维重建算法工程师
视觉大模型三维重建算法工程师
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计算机视觉工程
计算机视觉工程
3D Gaussian Splatting
Lidar
Nerf
Ros
Slam
Vggt
多传感器融合
点云重建
值不值得投
薪资怎么样
2.8万
与计算机视觉工程中位数基本持平
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 · 其中计算机视觉工程 6 个
职位详情
关于这个职位
该岗位聚焦视觉大模型驱动的三维重建与SLAM技术，负责融合LiDAR、IMU、相机等多传感器数据完成稠密点云重建与地图后处理，并将NeRF、3D Gaussian Splatting、VGGT等前沿方法落地到真实场景
同时需要把实时SLAM与3DGS地图结合用于视觉导航定位，并在Linux/ROS环境下完成系统集成、测试与部署，支撑工程机械智能化应用
最低要求
计算机、机器人、自动化、电子信息、数学等相关专业，研究生及以上学历，具备SLAM或导航相关工程经验，工作年限：3年及以上传感器开发及多传感器融合算法研发经验，有视觉三维重建成功落地项目者优先
熟悉SLAM的基本算法流程与系统结构，理解稀疏建图与稠密建图的区别与实现方法，能够对现有算法进行分析与改进
熟悉计算几何相关算法，了解TSDF、Poisson Surface Reconstruction等常见的表面重建算法
熟悉LiDAR / IMU / Camera等传感器特性，具备多传感器数据处理或融合经验
理解并使用过常见NERF、3DGS、VGGT、多传感器融合建图等算法
编程能力扎实，熟练使用C++，熟悉Linux开发环境及ROS系统集成
熟练使用Git进行版本管理，了解Docker等容器化工具在开发与部署中的基本使用方式
具备强烈的责任心、良好的团队合作精神和解决问题的能力
工作职责
负责基于LiDAR / IMU / 里程计 / 相机等多传感器的SLAM建图与定位算法实现与优化，负责环境的稠密点云重建与地图后处理（如网格化、纹理贴图等），并完成工程化落地
负责NeRF、3D Gaussian Splatting（3DGS）、VGGT等前沿技术在实际场景中的应用，提升三维重建的精度与实时性
负责实时SLAM与3DGS技术融合算法开发、测试与应用
负责基于激光点云模型与图像融合的3DGS等前沿算法的开发与应用
结合融合后的3DGS地图，进行视觉导航定位，分析地图质量与定位结果对路径规划效果的影响
在Linux/Windows系统下完成系统集成、测试与部署，保障系统在真实场景中的稳定运行
优先资格
有实际的行业应用经验（如电力巡检、森林消防、测绘、农业植保、安防、智慧城市等）
参与或研究无人机在复杂环境下的实时局部路径规划、全局任务决策等相关算法
熟悉GTSAM / Ceres等非线性优化库，了解因子图与滑窗优化方法
有复杂或退化场景下SLAM / Navigation稳定性优化经验
AI 洞察
优缺点分析
优点
- 技术栈紧贴前沿，NeRF、3DGS、VGGT都属于当前三维视觉与具身智能的热点方向，技术积累保值性强
- 覆盖从算法研究、工程化落地到系统部署的完整链路，能锻炼少见的“研究+落地”复合能力
- 面向电力巡检、森林消防、测绘、农业植保等真实行业场景，算法有明确的应用出口，不是纯论文式研究
- 装备制造龙头的平台资源与数据场景较为丰富，便于做大规模实测验证
- 同时要求SLAM、多传感器融合、三维重建与工程部署，技能面广，入职初期学习曲线较陡
- 户外复杂与退化场景（弱纹理、强光、粉尘）下的稳定性调优工作量大，需要大量实地测试
- 前沿算法（3DGS等）在嵌入式或实时系统中的算力与延迟约束明显，落地难度高于实验室验证
- 适合有SLAM或多传感器融合工程经验、同时对新视角合成与三维重建充满兴趣的算法工程师
- 也适合希望在真实工业场景中把前沿视觉算法做扎实的候选人
缺点 / 挑战
暂无明显挑战项
角色解读
- 先在SLAM与三维重建方向深耕，成为多传感器融合建图的技术骨干，再向感知算法负责人或技术专家方向发展
- 随着3DGS/大模型三维重建在机器人、无人机、巡检测绘等场景铺开，可横向拓展到具身智能、自动驾驶感知等热门方向
- 具备工程化落地经验后，也有机会转向算法团队管理或端到端产品/解决方案架构角色
- 负责多传感器（LiDAR/IMU/相机/里程计）SLAM建图与定位算法的实现与优化，输出稠密点云地图并做网格化、纹理贴图等后处理
- 把NeRF、3DGS、VGGT等前沿三维重建方法落地到真实作业场景，重点解决精度与实时性的平衡
- 打通实时SLAM与3DGS地图的融合链路，用重建好的地图做视觉导航定位，并评估地图质量对路径规划的影响
- 在Linux/ROS环境下完成系统集成、测试与部署，保证算法在户外复杂场景稳定运行
- 扎实的C++工程能力与Linux/ROS开发经验，能把研究型算法写成可部署的模块
- 对SLAM系统结构、稀疏/稠密建图、TSDF与Poisson重建等计算几何方法有清晰理解
- 熟悉LiDAR、IMU、相机等传感器特性与多传感器标定、融合流程
- 具备NeRF、3DGS、VGGT等新视角合成与三维重建算法的实际使用与调优经验
申请策略
- 面试前了解中联重科在智能控制、无人化施工与巡检装备上的业务布局，把算法能力对应到具体产品线
- 准备好说明“从算法原型到现场稳定运行”的完整经验，这类岗位最看重落地能力而非单纯发论文
- 用具体项目量化呈现SLAM/多传感器融合成果，例如建图精度、定位误差、实时帧率等指标
- 单独列出3DGS、NeRF或VGGT相关实践，说明你用了什么改进、解决了什么问题、最终精度与速度表现如何
- 突出C++工程能力与ROS/Linux部署经验，如模块化设计、多线程优化、Docker容器化交付
- 若有行业落地案例（巡检、测绘、农机、安防等），务必写清场景、数据规模与上线效果
- 补强3DGS与NeRF的工程实现细节，包括高斯初始化、致密化策略、渲染加速与内存优化
- 熟悉GTSAM/Ceres、因子图与滑窗优化，能显著提升在SLAM后端岗位的竞争力
面试指南
- 讲项目用STAR结构：场景与约束→技术选型理由→你负责的具体模块→量化结果与踩坑复盘
- 讲算法时先给整体框架图，再深入1-2个关键模块（如后端优化、高斯致密化），体现既懂全局也懂细节
- 面对取舍类问题，给出明确的评价指标（精度/延迟/内存）与实测数据，说明你的决策依据而非空谈经验
- 请介绍一个你主导的多传感器融合SLAM项目，具体如何做时间同步、外参标定与误差控制？
- 在3DGS/NeRF的重建精度与实时性之间你是如何取舍的？做过哪些加速优化？
- 户外退化场景（弱纹理、强光、动态物体）下SLAM容易失效，你有哪些实际处理经验？
- 如何评估重建地图的质量，并分析地图误差对定位与路径规划的影响？
- 在Linux/ROS下做系统集成与部署时遇到过哪些工程问题，是如何解决的？
Watch Jobs