算法实习生-多模态感知大模型-亦庄

优缺点分析

角色解读

• 实习后可转正为正式算法工程师，深耕自动驾驶感知领域
• 向高级算法专家或技术管理方向发展，参与核心模型架构设计
• 积累行业经验后，可向AI全栈或自动驾驶其他模块（规划、控制）横向拓展
• 负责自动驾驶感知算法的开发与优化，包括多模态融合、动态目标检测与追踪
• 研发面向高精度静态环境感知的端到端深度学习模型，覆盖交通信号灯、车道线等元素
• 设计BEV感知、Transformer等端到端模型架构，实现数据到结构化场景的输出
• 将算法部署到实际产品中，解决落地过程中的工程化问题
• 扎实的深度学习与计算机视觉基础，熟悉CNN、检测跟踪等算法
• 优秀的编程能力，熟练使用C/C++或Python
• 熟悉Pytorch等深度学习框架，具备模型训练与调优经验
• 良好的独立解决问题能力与沟通协作能力

申请策略

• 关注小马智行的技术博客和开源项目，了解其感知方案特点
• 简历中针对职位要求有针对性描述，避免泛泛而谈
• 突出深度学习相关项目或竞赛经验，尤其是视觉感知、点云处理方向
• 强调编程技能，展示C++/Python项目代码量或GitHub链接
• 如有论文发表或自动驾驶实习经历，务必重点提及
• 补充多模态融合、BEV感知、Transformer等前沿知识，阅读相关论文
• 强化Pytorch实践，尝试复现经典检测模型（如YOLO、CenterPoint）
• 了解Cuda编程或并行计算基础，提升工程优化能力

面试指南

• 结构化回答：先讲原理/背景，再结合具体方法，最后联系实际应用
• 以项目为例时，遵循STAR原则（情境、任务、行动、结果）
• 对于开放性问题，展示思考过程，先提出多种可能，再分析优劣
• 请解释BEV感知的基本原理及常见实现方式
• 如何融合Camera和LiDAR数据？有哪些多模态融合策略？
• 描述一个你完成的深度学习项目，包括数据、模型、结果及遇到的挑战
• 在自动驾驶感知中，如何处理小目标检测或遮挡问题？
• 你对Transformer在视觉领域的应用有什么理解？