感知算法工程师

优缺点分析

角色解读

• 从感知算法工程师向高级算法专家发展，深入某个方向（如检测、跟踪、多模态）
• 可转为自动驾驶系统架构师，负责整体感知方案设计与优化
• 有机会晋升为技术负责人，带领团队攻克核心难题，或转向技术管理岗位
• 设计和训练基于LiDAR、Camera、Radar的多模态感知模型，用于车辆、行人、障碍物检测与跟踪
• 研发通用障碍物识别算法，处理未知类别和异常场景，提升系统鲁棒性
• 进行场景理解与意图预测，包括语义分割、交通标志识别、行人动作预测等
• 探索多模态大模型在感知中的应用，实现零样本/少样本泛化，并推动成果落地
• 扎实的深度学习和计算机视觉基础，熟悉常见感知模型（如检测、分割、跟踪）
• 熟练使用PyTorch/TensorFlow，C++/Python编程能力强
• 掌握多模态传感器数据处理，包括LiDAR点云、图像、雷达信号
• 具备快速阅读前沿论文并复现的能力，能将学术成果转化为工程方案

申请策略

• 深入了解滴滴自动驾驶技术路线和已发布成果，在面试中体现对业务场景的理解
• 准备一个完整的感知项目案例，从问题定义、数据准备、模型设计到评估结果，展示端到端能力
• 突出自动驾驶或机器人感知相关的项目经验，尤其是多模态检测、跟踪、分割等
• 列出CVPR、ICCV等顶级会议论文，证明学术能力
• 强调工程落地经验，如模型压缩、实时推理优化或部署到嵌入式平台
• 展示较强的编程能力，特别是C++和Python，以及PyTorch/TensorFlow框架的使用深度
• 若缺乏自动驾驶经验，可补充学习LiDAR点云处理（如PointNet++、VoxelNet）和BEV感知方法
• 熟悉并实践多模态大模型（如VLM）在视觉感知中的应用，关注前沿进展

面试指南

• 对于项目类问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，并强调技术挑战和解决方案
• 对于开放性问题（如长尾类别），先分析难点，再提出技术方案（如开放类别检测、异常检测、数据增强），并说明权衡
• 对于实时优化问题，从模型剪枝、量化、知识蒸馏、TensorRT加速等多个角度系统回答
• 请详细讲述你做过的一个感知项目，包括模型设计、损失函数、数据处理及最终效果
• 如何解决自动驾驶中长尾类别（如施工区域、动物）的检测问题？
• 多模态融合（LiDAR+Camera）有哪些常用方法？各自的优缺点是什么？
• 如何在保证精度的前提下优化模型推理速度以适应自动驾驶实时性要求？
• 你对BEV感知（Bird‘s Eye View）的理解是什么？当前有哪些主流方案？