感知算法工程师（无人机方向）

优缺点分析

角色解读

• 向感知技术专家发展，深耕多模态融合或端侧部署方向
• 转向系统架构师，负责无人车/无人机感知系统整体设计
• 横向拓展至决策规划或飞控方向，成为无人机全栈技术人才
• 研发物流无人机多模态感知算法，包括目标检测、深度估计、语义分割等，确保无人机在复杂环境中的安全飞行
• 设计Camera与LiDAR融合的感知方案，提升极端天气下的检测鲁棒性
• 负责感知模型的量化、剪枝与端侧部署，在Jetson等有限算力芯片上实现实时推理
• 与飞控、规划控制团队协作，完成算法的工程化集成与实飞验证
• 扎实的计算机视觉与深度学习基础，熟悉YOLO、DeepLab、CenterPoint等主流算法
• 精通多模态融合感知，尤其是Camera-LiDAR融合与BEV感知方案
• 熟练使用PyTorch/TensorFlow，掌握C/C++和Python，有TensorRT/ONNX等模型部署经验
• 具备3年以上感知算法研发经验，有无人机或自动驾驶落地经验更佳

申请策略

• 在简历中明确提及你对无人机场景的理解，比如如何应对光照变化、低空障碍物等
• 面试前了解京东物流无人机业务现状（如配送路线、量产情况），展示对业务的思考
• 重点突出无人机或自动驾驶感知项目的落地案例，尤其是多传感器融合与端侧部署经验
• 展示在目标检测、语义分割、深度融合等方向的具体成果，如指标提升、部署加速比等
• 强调C++和Python编程能力，以及TensorRT/ONNX等部署工具的使用经验
• 如有发表顶会论文或专利，可单独列出以增加竞争力
• 补充BEV感知相关知识和实践，如BEVFormer、Transfusion等
• 学习国产AI芯片（如华为昇腾、地平线）的部署流程

面试指南

• STAR法则：清晰描述项目背景、任务、行动和结果，注重技术细节和量化成果
• 对比分析法：当被问及方案选择时，比较不同方案的优劣，并结合实际场景说明为何选择某方案
• 问题解决思路：针对鲁棒性、部署等问题，先分析问题根源，再给出多层次的解决方案（数据增强、网络改进、后处理等）
• 请详细描述你做过的一个无人机/自动驾驶感知项目，包括传感器配置、算法选型、融合策略和最终效果
• 在Camera-LiDAR融合中，如何处理时间同步和空间对齐？BEV感知相比前融合有哪些优势？
• 谈谈你对模型量化和剪枝的理解，在Jetson上部署时有哪些常见的精度损失问题？如何解决？
• 在恶劣天气（如雨雾、强光）下，感知系统如何保持鲁棒性？你会采用哪些策略？
• 你如何看待多模态大模型在无人机感知中的应用潜力？请结合实际场景说明