石头科技
感知算法工程师
感知算法工程师
发布于 2 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
Pytorch
Tensorrt
双目立体视觉
深度学习
点云处理
目标检测
计算机视觉
语义分割
值不值得投
66综合评分
综合评分 66
机器人感知核心算法岗，技术栈全面、前沿方向多，薪资福利与WLB信息未披露。
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
4.8万
比计算机视觉工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
24 个在招
市场机会
选择适中
深圳 · 计算机视觉工程 · 50 个在招
职位详情
关于这个职位
该岗位负责机器人视觉感知算法研发，涵盖图像目标检测、语义/实例分割、双目立体视觉、点云处理与三维障碍物识别
需要完成深度学习模型训练调优、C++工程实现及TensorRT/ONNX Runtime/NPU部署，推动算法在嵌入式平台实时落地
最低要求
硕士及以上学历，计算机、人工智能、自动化、模式识别、机器人等相关专业
熟练掌握 C++，具有良好的代码规范和工程能力
熟悉 Git、CMake 等开发工具
熟悉 OpenCV、Eigen 等视觉开发库
具有计算机视觉或机器人视觉相关研发经验，有机器人、自动驾驶、智能驾驶、无人机等行业经验者优先
扎实的计算机视觉、机器学习及深度学习理论基础，熟悉目标检测、图像分割、立体视觉等常用算法
必备技能：
C++、Python
PyTorch
工作职责
负责机器人视觉感知算法研发，包括图像目标检测、语义分割、实例分割等深度学习模型的设计、训练、优化与部署
负责双目立体视觉算法研发，包括双目标定、立体校正、立体匹配、深度估计、点云生成等算法开发与优化
负责点云数据处理相关算法研发，包括点云滤波、聚类、分类、目标分割、三维目标检测、障碍物识别等
负责深度学习模型训练、调优及部署，持续优化模型精度、推理速度和资源占用，满足嵌入式平台实时运行要求
负责模型部署与推理加速，包括 TensorRT、ONNX Runtime、NPU 推理框架的适配与优化
负责机器人视觉系统的软件开发，完成算法模块的 C++ 实现、接口设计及性能优化
跟踪国内外计算机视觉及机器人领域最新技术，包括目标检测、立体匹配、VLM/VLA、具身智能等方向，并推动技术落地
优先资格
有机器人、自动驾驶、智能驾驶、无人机等行业经验者优先
AI 洞察
优缺点分析
优点
- 技术栈覆盖2D/3D视觉、深度学习和嵌入式部署，硬核且完整，有利于积累机器人感知全链路能力
- 岗位直接服务机器人产品，算法落地性强，能接触量产场景和真实工程约束
- 涉及VLM/VLA、具身智能等前沿方向，成长空间和行业热度较好
- 石头科技在扫地机器人/智能硬件领域有产品积累，平台可提供实际数据与落地场景
- 同时要求算法研究与工程部署，需在精度、速度、资源占用之间做取舍，工程复杂度高
- 机器人感知对稳定性和实时性要求高，可能需要反复调优和现场验证
缺点 / 挑战
- 涉及双目、点云、嵌入式平台等多模块，技术面广，学习和排障压力较大
- 适合具备计算机视觉/深度学习基础、愿意深入机器人感知与工程落地、并能承受多模块技术挑战的求职者
角色解读
- 可从感知算法工程师成长为视觉感知/机器人感知方向的技术专家，深入立体视觉、3D检测和多模态感知
- 随着量产机器人项目经验积累，可负责感知系统架构、算法平台或技术团队管理
- 可向具身智能、VLM/VLA、自动驾驶感知等前沿方向拓展，技术迁移空间较大
- 负责机器人视觉感知算法研发，覆盖图像目标检测、语义/实例分割等深度学习模型的设计、训练与优化
- 研发双目立体视觉与点云处理算法，包括标定、校正、匹配、深度估计、滤波、聚类、三维目标检测和障碍物识别
- 将模型部署到嵌入式平台，使用TensorRT/ONNX Runtime/NPU进行推理加速，并完成C++算法模块与接口开发
- 跟踪CV、VLM/VLA、具身智能等前沿方向，推动技术在实际机器人产品中落地
- 扎实的计算机视觉、机器学习和深度学习基础，熟悉目标检测、图像分割、立体视觉等常用算法
- 熟练C++和Python，具备良好工程规范，熟悉Git、CMake、OpenCV、Eigen等工具库
- 掌握PyTorch训练与调优，能处理模型精度、推理速度和资源占用的平衡
- 具备模型部署和推理加速经验，了解TensorRT、ONNX Runtime或NPU推理框架，有机器人/自动驾驶/无人机经验更佳
申请策略
- 投递前了解石头科技机器人产品线及感知算法应用场景，在简历和面试中体现业务理解
- 准备一个端到端感知项目案例，能讲清算法选型、工程落地、指标权衡和问题排查过程
- 突出C++/Python工程能力，量化模型部署、推理加速和嵌入式平台优化经验
- 展示目标检测、语义/实例分割、双目立体视觉、点云处理等项目经历，说明数据规模、指标和落地效果
- 若有机器人、自动驾驶、无人机或智能硬件量产项目，放在显著位置并描述负责模块
- 体现PyTorch训练调优、TensorRT/ONNX Runtime/NPU适配经验，以及Git/CMake/OpenCV/Eigen使用熟练度
- 补齐立体视觉与点云处理链路，包括双目标定、立体匹配、深度估计、点云聚类和3D目标检测
- 强化模型部署与推理加速实践，熟悉TensorRT、ONNX Runtime及至少一种NPU推理框架
面试指南
- 用STAR结构描述项目：场景与目标、你的职责、技术方案、量化结果和反思
- 算法题先讲原理和选型依据，再讲工程约束与取舍，最后给出指标和排障过程
- 部署题按“模型转换—精度校验—性能分析—算子/内存优化—上线验证”的链路回答
- 请介绍一个你负责的目标检测/语义分割项目，如何设计模型并提升精度？
- 双目立体视觉中，双目标定、立体校正和立体匹配的关键难点是什么？你如何优化？
- 点云滤波、聚类和三维目标检测你用过哪些方法？在机器人场景如何做障碍物识别？
- 如何将PyTorch模型部署到嵌入式平台，并用TensorRT/ONNX Runtime/NPU优化推理速度？
- 你如何跟踪VLM/VLA或具身智能进展，并判断哪些技术适合落地到机器人感知？
职位点评
薪资福利55
成长发展85
工作生活55
使命价值70
薪资福利
55较低
JD未披露薪资、奖金和福利信息，补偿性动机无法直接判断；岗位要求较高，实际吸引力取决于最终薪酬方案。
薪资信号未披露（AI估算：3.5千–6.0万/月）
成长发展
85较高
岗位覆盖2D/3D视觉、模型训练部署和VLM/VLA等前沿方向，技术成长空间较大；但JD未明确培训或晋升机制。
技术前沿前沿/新兴技术
技术栈C++、Python、PyTorch、目标检测、语义分割、实例分割、双目立体视觉、点云处理、TensorRT、ONNX Runtime、NPU、VLM/VLA、具身智能
业务类型ambiguous
工作生活
55较低
JD未提及办公模式、加班安排或弹性福利，生活化动机信息不足；具体工作节奏需在面试中确认。
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
70中等
岗位处于机器人感知与具身智能应用方向，技术落地具有一定行业前景；但JD未突出社会使命或颠覆性创新表述。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs