OCC感知算法专家_XC

优缺点分析

角色解读

• 从算法工程师成长为感知算法专家，主导核心感知模块的架构设计与技术攻关
• 向自动驾驶系统架构师或感知团队技术负责人方向发展，统筹多模块协同与量产交付
• 研发3D Occupancy自动标注流水线，提升数据标注效率与质量，为模型训练提供高质量数据支撑
• 开发并优化车端3D Occupancy感知算法，解决自动驾驶行泊业务中的核心感知问题，推动算法量产落地
• 扎实的计算机视觉与多视几何基础，熟悉语义建图与2D/3D视觉分割技术
• 熟练掌握LiDAR与视觉融合算法，具备模型部署与系统级优化能力
• 具备系统级思维，能够理解Occupancy感知在下游规控模块中的应用逻辑

申请策略

• 提前了解博世在智能驾驶领域的量产项目（如行泊一体方案），面试时结合具体业务场景阐述技术理解与落地思路
• 突出在3D Occupancy、BEV或语义建图相关项目中的具体贡献与性能指标提升（如mIoU、FPS等）
• 强调多视几何、2D/3D视觉分割及LiDAR点云处理的算法落地经验，特别是Auto-label或车端部署经验
• 深入学习车端模型部署与优化技术（如TensorRT、ONNX等），提升算法工程化与推理加速能力
• 了解Occupancy网络在规控下游模块中的应用逻辑，培养从感知到规控的全局系统思维

面试指南

• STAR法则：针对项目经验，从背景、任务、行动（具体算法设计与优化）、结果（指标提升或落地效果）展开
• 系统思维：回答技术问题时，不仅谈算法本身，还要结合数据流、车端算力限制及下游规控需求进行全局分析
• 请详细介绍你在3D Occupancy或BEV感知算法中的项目经验，遇到了哪些难点及如何解决？
• 在Auto-label pipeline中，如何保证2D视觉分割和LiDAR检测标注的准确性与一致性？
• 针对车端部署，你是如何对3D Occupancy模型进行轻量化和推理加速的？
• 结合行泊业务场景，谈谈Occupancy感知解决了哪些传统3D目标检测无法解决的核心问题？
• 复习多视几何、3D视觉分割及Occupancy网络（如FlashOcc、Occupancy-MAE等）的最新论文与开源实现
• 准备1-2个在Auto-label或车端部署中解决复杂工程问题的具体案例，突出你的解决问题能力