动态感知算法工程师_XC

优缺点分析

角色解读

• 从感知算法工程师成长为自动驾驶感知算法专家或技术负责人
• 可向多模态融合、大模型上车等前沿方向深耕，或转型为系统架构师
• 研发自动驾驶端到端目标检测与跟踪模型，探索前沿深度学习算法提升感知能力
• 负责车端模型的性能评估、耗时优化及硬件部署，解决实车测试中的感知问题
• 熟练掌握PyTorch/TensorFlow等深度学习框架，具备扎实的计算机视觉与机器学习理论基础
• 拥有端到端模型、BEV算法研发或车端模型部署优化的实际经验

申请策略

• 了解公司在智能驾驶领域的最新产品布局及合作车企，面试时可结合其实际业务场景探讨算法落地难点
• 重点突出端到端模型、BEV算法的研发经历及量产落地成果
• 展示在CV/ML顶会发表的论文或参与的核心开源项目
• 提前熟悉主流车端芯片的部署工具链与量化加速方法
• 深入了解最新的端到端自动驾驶大模型架构及优化策略

面试指南

• 采用STAR法则，清晰描述项目背景、面临的挑战、采取的具体技术方案（如模型结构改进、量化剪枝、算子优化等）以及最终的量化收益（如mAP提升、帧率达标）
• 请详细介绍你参与的端到端目标检测/跟踪模型的架构设计及创新点
• 在车端部署模型时，你是如何进行耗时优化和硬件适配的？
• 针对实车测试中遇到的Corner Case，你是如何通过数据驱动或模型优化来解决的？
• BEV模块在量产落地中遇到过哪些主要问题？你是如何解决的？
• 复习自动驾驶感知领域的经典与最新论文，特别是BEV和端到端方向
• 准备好自己过往项目的详细技术细节，特别是模型部署和性能优化的具体数据