德赛西威
智驾感知大模型算法工程师（2027届-上海）
智驾感知大模型算法工程师（2027届-上海）
发布于 9 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
Bev感知
Occupancy Networks
多传感器融合
多目标跟踪
目标检测
自动驾驶
语义分割
值不值得投
75综合评分
综合评分 75
前沿智驾感知算法岗，技术成长性强，薪资福利与WLB需进一步确认。
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，方便比较职业起点。
薪资怎么样
2.8万
比自动驾驶中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
14 个在招 · 其中自动驾驶 2 个
市场机会
选择面较广
上海 · 自动驾驶 · 约 190 个在招
职位详情
关于这个职位
该职位面向2027届毕业生，负责端到端智驾感知模型的设计与开发，覆盖目标检测、分割、跟踪、通用障碍物和多传感器融合，并探索Transformer、BEV感知、Occupancy Networks等前沿技术在云端真值系统中的应用，持续优化感知模型的精度、速度与稳定性
最低要求
硕士以上学历，计算机、自动化、机器人或者相关专业
精通CNN、Transformer等现代深度学习架构，在2D/3D目标检测、分割等领域有深厚的积累和成功的项目经验
熟悉BEV深度学习的经典算法，例如：BEVFormer，Petr，Detr，PointPillar等
出色的编程能力，熟悉C++或Python
工作职责
负责端到端模型的感知部分设计和开发，包括但不限于：目标检测、语义/实例分割、多目标跟踪、通用障碍物、多传感器融合等
探索并将最前沿的深度学习模型（如Transformer、BEV感知、Occupancy Networks等）应用于云端真值系统
对感知模型的性能瓶颈进行深度分析和攻关，持续提升算法在精度、速度与稳定性上的表现
AI 洞察
优缺点分析
优点
- 端到端感知与云端真值系统结合，可积累数据闭环和量产算法经验
- 2027届校招岗位招聘5人，团队投入和培养信号较明确
- 需要同时理解深度学习前沿与工程实现，对C++/Python和模型优化能力要求高
- 校招岗位竞争激烈，需有扎实的项目、论文或竞赛成果证明感知方向积累
- 适合对自动驾驶感知有强烈兴趣、具备深度学习与工程基础、愿意在量产场景中打磨算法的应届硕士/博士
缺点 / 挑战
- 方向处于智驾感知前沿，涉及BEV、Transformer、Occupancy等热门技术，技能稀缺性较高
- 自动驾驶感知是智能驾驶核心能力，长期技术价值较高
- 感知大模型与量产落地对精度、速度、稳定性要求高，算法攻关压力较大
角色解读
- 可从感知算法工程师成长为端到端智驾感知方向的技术骨干/专家，深入BEV、Occupancy、大模型等方向
- 可向算法架构、技术负责人或智驾系统/数据闭环方向拓展，参与更完整的量产项目
- 在智驾团队中积累量产感知经验，后续可转向更前沿的自动驾驶公司或研究岗位
- 负责端到端智驾感知模型的设计与开发，覆盖目标检测、语义/实例分割、多目标跟踪、通用障碍物和多传感器融合
- 将Transformer、BEV感知、Occupancy Networks等前沿深度学习模型应用到云端真值系统，支撑数据闭环
- 分析并攻关感知模型在精度、速度、稳定性上的瓶颈，推动算法持续迭代
- 扎实的CNN/Transformer等深度学习基础，具备2D/3D检测、分割等感知任务的项目经验
- 熟悉BEVFormer、PETR、DETR、PointPillar等BEV经典算法，理解多传感器融合与3D场景表示
- 熟练使用C++或Python，具备算法工程化落地和性能优化能力
申请策略
- 关注德赛西威智驾/感知团队的量产项目和技术路线，面试中体现对端到端感知与云端真值系统的理解
- 准备好解释你如何定位并解决模型精度、速度、稳定性之间的权衡问题
- 突出2D/3D目标检测、语义/实例分割、多目标跟踪等项目经历，写明数据集、指标和你的具体贡献
- 列出BEVFormer、PETR、DETR、PointPillar等模型的复现/改进经验，说明对BEV感知和Occupancy的理解
- 展示C++/Python工程能力，如模型部署、推理加速、多传感器融合或数据闭环相关实践
- 如有论文、竞赛、自动驾驶相关实习或开源项目，放在显眼位置并量化成果
- 系统复习Transformer、BEV感知、Occupancy Networks和3D检测基础，补齐多传感器融合知识
- 准备一个完整的感知项目案例，涵盖数据处理、模型训练、评估指标和性能优化
面试指南
- 用STAR结构讲项目：背景-任务-行动-结果，重点说清你的个人贡献和量化指标
- 算法题先讲整体框架和关键模块，再对比不同BEV/检测方案的优缺点，最后落到工程约束
- 性能优化题从数据、模型、推理三个层面展开，说明如何定位瓶颈和验证收益
- 请介绍你做过的一个2D/3D目标检测或分割项目，说明模型结构、损失函数和最终指标
- BEVFormer、PETR、DETR、PointPillar的核心思想分别是什么？你如何选择？
- 如何将Transformer/BEV感知/Occupancy Networks应用到云端真值系统？会面临哪些挑战？
- 感知模型在精度、速度、稳定性上如何权衡？你做过哪些优化？
- 多传感器融合中如何处理时间同步、标定误差和不同模态对齐？
职位点评
薪资福利70
成长发展88
工作生活55
使命价值82
薪资福利
70中等
JD未披露薪资与福利，无法直接判断；从岗位技能稀缺性和上海智驾算法市场看，薪酬具备一定竞争力，但需与HR确认具体包。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
88较高
岗位直接使用BEV、Transformer、Occupancy Networks等前沿技术，参与云端真值系统和端到端感知，技术成长信号明确。
技术前沿前沿/新兴技术
技术栈Transformer、BEV感知、Occupancy Networks、BEVFormer、PETR、DETR、PointPillar、目标检测、语义分割、多目标跟踪、多传感器融合、C++、Python
业务类型ambiguous
工作生活
55较低
JD未提及办公模式、弹性工时或加班情况，WLB无法判断；仅知道工作地点在上海，具体通勤与到岗要求需面试确认。
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
82较高
自动驾驶感知是智能驾驶核心方向，技术前沿且对行车安全与效率有正向价值；JD未展开使命愿景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs