卡特彼勒
车载相机感知与部署实习生
车载相机感知与部署实习生
发布于 大约 3 小时前实习/见习
无锡市
无经验要求
实习生
仅现场办公
本科
计算机视觉工程
Arm
Cuda
Tensorrt
传感器标定
深度学习
自动驾驶
AI 估算 · 4k–6k
外企实习薪资中等偏上，技术门槛较高，无锡生活成本适中，给予一定竞争力。
职位详情
关于这个职位
该实习岗位聚焦自动驾驶车载Camera感知算法在嵌入式平台的落地，你将参与摄像头标定、数据采集、深度学习模型在NVIDIA Jetson/Orin上的部署与优化，使用CUDA/TensorRT进行推理加速，适合对自动驾驶感知和嵌入式AI感兴趣的在校生
最低要求
学历背景：计算机、电子工程、自动化、人工智能、车辆工程、嵌入式系统等相关专业，本科及以上（硕士优先）
专业技能：
熟悉Camera成像原理与ISP流程，了解常见车载摄像头（GMSL、FPD-Link等）硬件接口及同步机制
熟悉相机标定（内参、外参、鱼眼/针孔模型）、多传感器时间同步与坐标系转换
熟练掌握C++与Python，具备良好的工程化与调试能力
熟悉CUDA编程，能够编写/优化自定义算子
熟悉TensorRT模型转换、Plugin开发与INT8量化校准流程
熟悉ARM架构（aarch64）下的交叉编译、性能分析（Nsight、perf等）与系统级调优
熟悉至少一种主流深度学习框架（PyTorch/TensorFlow），了解ONNX模型导出与图优化
熟悉常见2D/3D视觉感知算法（YOLO系列、CenterPoint、BEVFormer、BEVDet、Occupancy等）
经验要求：
有Jetson车载/嵌入式AI平台部署经验者优先
熟悉Linux开发环境，熟悉ROS/CyberRT等中间件，有数据采集与回灌经验
有摄像头驱动调试、V4L2、GStreamer、OpenCV实战经验者优先
其他要求：
具备良好的问题分析能力、动手能力与团队协作能力
英文文献阅读能力强，能够跟踪最新论文与开源项目
工作职责
负责自动驾驶车载Camera传感器相关工作，包括多路摄像头的选型、标定、时间同步与数据采集链路搭建
参与基于Camera的感知算法（目标检测、车道线检测、BEV感知、深度估计等）在车端嵌入式平台上的部署与优化
在ARM（NVIDIA Jetson/Orin）平台上完成深度学习模型的移植、加速与功耗优化
使用CUDA、TensorRT、cuDNN等工具进行模型量化（INT8/FP16）、算子开发与推理引擎优化，提升端到端实时性
跟踪行业前沿（端到端、BEV、Occupancy、VLM/VLA等）方向在量产平台上的可行性与部署方案
优先资格
加分项：
有自动驾驶开源项目（Apollo、Autoware、OpenPilot等）相关贡献或二次开发经验
熟悉模型压缩与加速技术（剪枝、蒸馏、稀疏化、QAT量化感知训练）
熟悉车规级SoC（Orin、J5/J6、8295等）的DLA/NPU异构计算加速
GitHub有高质量开源项目或Kaggle/自动驾驶相关竞赛获奖经历者优先
AI 洞察
优缺点分析
优点
- 深度接触自动驾驶核心技术，从Camera硬件到深度学习部署全链路覆盖，技术成长空间大
- 使用NVIDIA Jetson/Orin、TensorRT等主流平台，技能市场认可度高
- 跨国企业平台，拥有全球化协作机会，有助于培养国际化视野
- 实习期间可接触量产级项目，简历竞争力强
- 技术栈要求广且深，需同时掌握嵌入式、深度学习、传感器等领域知识，学习曲线陡峭
- 实习岗位可能需要快速适应企业工程流程，工作节奏偏紧凑
- 适合对自动驾驶感知和边缘计算有强烈兴趣，具备扎实编程基础、喜欢动手调试并愿意在技术深度上持续钻研的在校生
缺点 / 挑战
- 嵌入式部署调试工作可能较为琐碎，需要耐心和细致，且可能面临时间压力
角色解读
- 在自动驾驶感知领域积累从算法到落地的完整经验，成为嵌入式部署专家
- 可向感知算法工程师或自动驾驶系统工程师方向发展，掌握模型压缩与硬件加速核心技能
- 通过参与量产项目，理解车规级标准，未来有机会进入自动驾驶独角兽或大型车企
- 负责车载摄像头的选型、标定、时间同步和数据采集链路搭建，确保感知系统的基础数据质量
- 将深度学习模型（如目标检测、BEV感知）部署到NVIDIA Jetson/Orin嵌入式平台，进行推理优化
- 使用CUDA和TensorRT进行模型量化、算子开发，提升模型的实时性和能效
- 调研并评估端到端、VLM等前沿技术在量产平台上的可行性，为团队提供技术方向参考
- 扎实的C++和Python编程能力，具备工程化调试经验
- 熟悉Camera成像原理、ISP流程、相机标定和多传感器同步
- 掌握CUDA编程和TensorRT优化，了解模型量化（INT8/FP16）技术
- 熟悉ARM架构下的交叉编译、性能分析工具（Nsight、perf）以及Linux开发环境
申请策略
- 关注卡特彼勒工程机械自动化的业务场景，在面试中展示对行业落地的理解
- 可提前准备一个端到端的Demo演示（如摄像头实时目标检测），展现动手能力
- 突出CUDA/TensorRT相关的项目经验，如模型量化、推理加速等，并量化性能提升幅度
- 强调在Jetson或ARM平台上的部署实践，提及具体硬件型号和优化方法
- 展示Camera标定、多传感器融合或相关开源项目贡献，体现工程能力
- 如果有竞赛获奖或高质量GitHub项目，务必列出，作为加分项
- 提前熟悉TensorRT的Python/C++ API，动手完成一个YOLO模型的INT8量化部署
- 学习NVIDIA Jetson平台开发，掌握交叉编译环境和Nsight性能分析
面试指南
- 使用项目案例回答，遵循STAR法则：情境-任务-行动-结果，突出技术难点和解决方案
- 对于技术概念，先给出定义，再结合自己的实践经验说明应用场景和优势，最后可延伸一两点扩展思考
- 遇到不熟悉的问题，诚实承认，并分享解决问题的思路，展示学习能力
- 请描述你在嵌入式平台上部署深度学习模型的完整流程，遇到哪些问题如何解决？
- TensorRT INT8量化的原理是什么？如何标定？有哪些注意事项？
- 如何设计多摄像头的时间同步方案？如果出现不同步如何校准？
- CUDA编写自定义算子的步骤和优化策略有哪些？
- 谈谈你对BEV感知算法在量产车端部署的看法，有哪些挑战？
职位点评
69
综合评分
顶尖外企自动驾驶部署实习，技术栈前沿，成长价值高，但薪资福利一般且需现场办公。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
更适合这类人
该职位最适合追求技术成长和行业前沿的求职者，尤其是对自动驾驶和嵌入式AI充满热情、愿意投入精力深入钻研的学生。
表现最好
成长发展
相对薄弱
工作生活
薪资福利55
成长发展90
工作生活50
使命价值65
薪资福利
55较低
实习薪资中等，未提及福利，作为实习岗位补偿性激励一般。
薪资信号未披露（AI估算：4K-6K/月）
成长发展
90较高
技术栈前沿，涉及自动驾驶感知和嵌入式优化，成长空间极大，发展性动机得到高满足。
技术前沿前沿/新兴技术
技术栈CUDA、TensorRT、Jetson、ARM、深度学习、BEV、传感器标定
业务类型ambiguous
工作生活
50较低
工作地点在无锡，需现场办公，未提及弹性工作或额外福利，生活化动机满足程度一般。
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
65中等
自动驾驶行业前景广阔，但实习岗位的社会直接贡献感不强，因公司使命宣传有一定意义感。
行业发展高速增长赛道
社会影响中性/一般
使命信号building a better world
创新程度积极采用新技术
卡特彼勒 的其他在招职位
相似职位推荐
Watch Jobs