Senior Perception Engineer

优缺点分析

角色解读

• 在技术深度上，可向感知算法专家或首席工程师方向发展，主导核心算法研发
• 在管理方向上，可晋升为技术团队负责人，带领团队完成项目交付
• 跨领域发展，可转向ADAS系统架构或自动驾驶整体方案设计
• 负责泊车场景下BEV感知模型的算法设计与迭代优化，包括占用预测、目标检测和库位检测
• 与数据团队协作，提出数据采集和挖掘需求，把控数据质量，提升数据链路效率
• 配合部署团队进行模型耗时优化，确保在车端平台上满足性能要求
• 跟踪前沿技术，参与团队技术分享，推动技术创新
• 扎实的深度学习和计算机视觉基础，熟悉BEV感知算法
• 熟练掌握Python/C++，至少一种深度学习训练框架（如PyTorch、TensorFlow）
• 良好的英文读写能力，能够阅读技术文档和进行技术交流
• 有量产项目经验者优先，了解嵌入式平台优化

申请策略

• 了解麦格纳在ADAS领域的业务布局，在面试中展示对汽车电子行业的热情
• 准备项目案例时，强调算法效果和工程落地的平衡
• 突出BEV感知模型开发经验，特别是泊车场景相关项目
• 强调量产项目经历，展示工程化能力和解决实际问题的能力
• 列出熟悉的深度学习框架和编程语言，体现技术深度
• 展示与数据、部署团队协作的成果，体现团队合作能力
• 深入学习BEV感知最新论文和技术，如OCC、Transformer-based模型
• 加强模型部署优化技能，如TensorRT、量化、剪枝等

面试指南

• 采用STAR法则，清晰描述项目背景、任务、行动和结果，突出个人贡献
• 结合具体技术细节，如模型结构、损失函数、优化策略，展示技术深度
• 强调工程思维，说明如何平衡算法效果和部署性能
• 请详细介绍一下你参与过的BEV感知项目，包括模型设计、数据、部署等
• 如何优化BEV模型在嵌入式平台上的推理速度？
• 如何处理泊车场景中动态物体和静态物体的检测？
• 如何与数据团队协作，提升数据质量和模型性能？
• 对Transformer在BEV感知中的应用有何理解？