滴滴出行
Artificial Intelligence-算法实习生
Artificial Intelligence-算法实习生
发布于 大约 13 小时前实习/见习
中国
无经验要求
实习生
仅现场办公
学历未注明
计算机视觉工程
Slam
三维重建
优化
滤波
激光雷达
状态估计
自动驾驶
计算机视觉
AI 估算 · 3k–6k
自动驾驶算法实习岗，平台好，技能前沿，薪资在实习中中等。
职位详情
关于这个职位
该职位将参与滴滴自动驾驶项目，专注于利用视觉或激光雷达数据进行三维静态场景恢复
你将接触到SLAM、状态估计等核心算法，适合对自动驾驶和机器人技术感兴趣的算法爱好者
最低要求
计算机、自动化、机器人、测绘等相关专业，具备良好的数学基础
熟悉SLAM、状态估计、滤波、优化等相关算法
工作职责
参与自动驾驶中视觉或激光雷达的三维静态场景恢复等研究、开发工作
优先资格
有“SLAM”或“彩色底图”相关工作经验的优先
AI 洞察
优缺点分析
优点
- 滴滴作为出行巨头，自动驾驶技术投入大，平台资源丰富
- 团队协作和导师指导，能快速提升算法和工程能力
- 自动驾驶领域竞争激烈，对数学和算法要求高，需要投入大量时间学习
- 由于是实习，可能需要在学业和工作之间平衡
- 适合对自动驾驶和SLAM有浓厚兴趣，具备良好数学和编程基础，希望在真实场景中积累算法经验的在校学生
缺点 / 挑战
- 接触真实自动驾驶场景，技术挑战性强，学习曲线陡峭
- 实习工作可能涉及大量数据处理和实验调参，重复性工作较多
角色解读
- 从自动驾驶算法实习生起步，可深入SLAM和三维重建方向，成为算法工程师
- 积累自动驾驶领域经验，可转向感知、定位、规划等方向
- 表现优秀者有机会转正，在滴滴自动驾驶团队长期发展
- 参与自动驾驶系统三维静态场景恢复的研究与开发，涉及视觉或激光雷达数据处理
- 应用SLAM、状态估计、滤波、优化等算法，提升环境感知准确性
- 与团队协作，进行算法实验、代码实现和性能调优
- 阅读并实现前沿论文中的算法，推动技术落地
- 扎实的数学基础，包括线性代数、概率论、优化理论
- 熟悉SLAM、状态估计、滤波（如卡尔曼滤波）、优化算法
- 具备良好的编程能力，熟悉C++或Python，有相关项目经验
- 对计算机视觉或激光雷达感知有基本了解
申请策略
- 在简历中明确表示对自动驾驶的热情，并展示持续学习的记录
- 关注内部的实习项目说明，可尝试联系在滴滴实习过的学长学姐获取建议
- 突出SLAM或三维重建相关项目经历，哪怕课程项目或竞赛
- 强调数学基础，如线性代数、概率论成绩或相关课程
- 展示编程能力，如C++/Python项目代码或开源贡献
- 如有“彩色底图”或视觉特征提取经验，务必重点提及
- 复习SLAM经典算法（如ORB-SLAM、LIO-SAM），理解数学原理
- 熟悉常用开源库，如ROS、PCL、OpenCV、Eigen
面试指南
- 针对算法原理问题，按“问题定义-方法流程-优缺点-应用场景”的结构回答
- 针对项目经历，使用STAR法则（情境-任务-行动-结果）
- 如果不知道，诚实说不了解，但尝试推论
- 请简述SLAM的基本原理和主要模块
- 你了解哪些状态估计算法？卡尔曼滤波与粒子滤波的区别是什么？
- 如何优化一个大规模的最小二乘问题？
- 描述一个你做过的最复杂的项目，你遇到的挑战和解决方案
- 你对自动驾驶中三维场景恢复有什么理解？
职位点评
67
综合评分
滴滴自动驾驶算法实习，前沿技术栈，成长性强，薪资和工时信息不明。
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
适合追求前沿技术成长、愿意在自动驾驶领域积累经验的在校学生，对薪资和福利要求不高。
表现最好
成长发展
相对薄弱
薪资福利
薪资福利50
成长发展85
工作生活50
使命价值70
薪资福利
50较低
该职位未披露薪资福利，作为实习岗位，补偿性动机满足程度一般。
薪资信号未披露（AI估算：3K-6K/月）
成长发展
85较高
职位涉及自动驾驶前沿算法，技术成长性强，但未明确培训或晋升机制。
技术前沿前沿/新兴技术
技术栈SLAM、三维重建、状态估计、滤波、优化、计算机视觉、激光雷达
业务类型ambiguous
工作生活
50较低
未提及工作模式和工时信息，办公地点未知，生活方式满足程度一般。
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
70中等
自动驾驶行业有积极社会价值，但JD未明确表述使命，意义感中等。
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
滴滴出行 的其他在招职位
相似职位推荐
Watch Jobs