Watch Jobs
Bosch logo
博世
城区静态感知算法专家_XC
立即应聘

城区静态感知算法专家_XC

发布于 大约 3 小时前

普通员工/个人贡献者

上海市
高级经验
全职员工
仅现场办公
硕士
机器学习工程
Bev
Cnn
多任务学习
模型轻量化
深度学习
自动驾驶
计算机视觉
路沿检测
车道拓扑

AI 估算 · 30k–50k

算法专家职位，自动驾驶行业高需求，上海一线城市，博世巨头企业，薪资竞争力强。

职位详情

关于这个职位

该职位负责城区领航辅助驾驶（城市NOA）中的静态感知算法研发，包括车道线、路沿、路面标识、路口检测以及无图车道拓扑构建

你将参与从算法设计到量产部署的全流程，探索BEV感知、多任务学习等前沿技术
适合有自动驾驶背景、精通深度学习和计算机视觉的算法工程师

最低要求

基础要求：

硕士及以上学历，计算机视觉、模式识别、机器学习、机器人等相关专业
自动驾驶行业背景，有城区场景静态感知实际项目量产经验者优先
技术能力要求：
算法能力：熟悉深度学习基础理论，精通Transformer、CNN等主流网络架构，具有实际模型调优经验
熟悉BEV感知、矢量化地图构建、车道拓扑推理等领域的主流方法（如BEVFormer、MapTR系列、TopoNet、LaneSegNet等）
熟悉多任务学习、端到端感知框架者优先
工程能力：精通Python/C++，有良好的工程化编程习惯
了解SLAM、多视图几何、非线性优化相关算法
有车规级嵌入式平台算法部署和优化经验者优先

工作职责

方向一：城区场景道路结构认知算法研发

车道线检测与建模：研发复杂光照、遮挡、磨损条件下的车道线检测与跟踪算法
支持多类型车道线的精准分割与矢量化建模
支持曲率变化大、路口缺失标线等城区典型场景的鲁棒检测
通用路沿检测：研发多场景下的路沿检测算法
支持路沿的几何参数化建模
路面标识检测：研发停止线、斑马线、箭头、文字、导流带、减速带等路面标识的检测与语义识别
支持多种标识的实例级分割与结构化输出
路口检测与理解：研发典型路口类型的识别算法
支持路口区域范围估计、入口/出口车道匹配、停止位置推理
方向二：无图静态感知算法研发
复杂道路结构下的车道拓扑构建：研发不依赖高精地图的车道拓扑实时推理算法
支持车道连通关系推理、变道可行性判断、路口内车道连接关系建模
地图先验融合：研发导航地图、众包地图等多源先验信息的融合利用算法
长时空时序模型：研发融合长时记忆与短时感知的时序建模方法
端到端行车引导线：研发面向端到端驾驶架构的行车引导线生成算法
方向三：感知One Model（多任务）算法研发
统一感知模型架构：研发基于BEV空间的统一感知模型，同时处理多个感知任务
探索高效的特征共享与任务解耦策略
感知模型优化与部署：负责感知模型的轻量化与端上推理优化，保证在有限算力下的实时性
前沿技术跟踪与落地：跟进BEV感知、Occupancy Network、World Model、VLA等前沿技术，并推动在量产项目中的验证与应用

优先资格

加分项：

在CVPR/ICCV/ECCV/ICML/NeurIPS等顶级会议或期刊发表相关论文
有自动驾驶静态感知实际量产交付经验
有带领团队完成算法方案实际部署经验

AI 洞察

优缺点分析

优点

  • 站在行业技术转型的风口（无图化），学习和成长空间巨大
  • 博世作为全球顶级Tier1，提供强大的平台资源和量产落地机会
  • 团队技术氛围浓厚，能够接触并应用CVPR、ICCV等顶会前沿算法
  • 薪资待遇优厚，且上海作为自动驾驶人才聚集地，职业发展前景广阔
  • 算法要求极高，需同时精通算法、工程和部署，综合能力要求全面
  • 城区场景复杂度高，极端天气、遮挡等Corner Case处理难度大

缺点 / 挑战

  • 量产交付压力大，需在有限算力下保证实时性和鲁棒性，平衡精度与速度
  • 适合有扎实深度学习基础、对自动驾驶感知充满热情、乐于挑战技术难题，并希望参与前沿技术从研发到量产全过程的算法工程师

角色解读

  • 在自动驾驶感知领域深耕，从算法工程师成长为技术专家或团队负责人
  • 横向拓展到规划、控制等上下游模块，成为系统级架构师
  • 参与前沿技术探索，推动行业从有图向无图转型，成为领域领军人物
  • 研发城区NOA场景下的静态感知算法，包括车道线、路沿、路面标识和路口的检测与理解
  • 构建不依赖高精地图的车道拓扑实时推理，为车辆提供可行驶轨迹
  • 探索BEV统一感知模型和多任务学习框架，并推动模型在车规级平台上的轻量化部署
  • 跟踪前沿技术如Occupancy Network、World Model等，将其落地到量产项目中
  • 精通深度学习基础理论，熟悉Transformer、CNN等主流网络架构，并有实际调优经验
  • 熟悉BEV感知、矢量化地图构建、车道拓扑推理等主流方法（如BEVFormer、MapTR系列）
  • 精通Python/C++编程，具备良好的工程化习惯，了解SLAM、多视图几何等算法
  • 有车规级嵌入式平台算法部署和优化经验，了解模型轻量化技术

申请策略

  • 面试前深入研究博世在自动驾驶领域的布局和产品（如博世自动驾驶平台），展示对其技术路线的理解
  • 准备一个完整的项目案例，从问题定义、算法设计到部署优化，体现系统化思维
  • 突出自动驾驶静态感知相关的项目经验，尤其是车道线检测、BEV感知或车道拓扑构建等
  • 强调模型轻量化或嵌入式部署的成果，例如在特定芯片上的推理速度优化
  • 展示在顶级会议或期刊发表的论文，体现算法创新能力
  • 如有量产交付经验，务必详细说明你在其中的具体贡献和成果
  • 深入学习BEVFormer、MapTR等主流BEV感知框架，并复现相关论文
  • 加强C++编程能力，了解车规级嵌入式平台（如征程6M）的开发流程

面试指南

  • 回答项目经验时遵循STAR原则：情境、任务、行动、结果，重点突出你的技术贡献和量化成果
  • 对于技术比较类问题，从动机、架构、性能、适用场景等维度展开分析，体现深度思考
  • 针对挑战性问题，先分析问题本质，再给出多方案对比，最后选择最优解并说明理由
  • 请详细介绍一下你参与的静态感知项目，包括技术选型、模型架构和最终效果
  • 谈谈你对BEV感知的理解，并比较BEVFormer和MapTR的优缺点
  • 如何解决车道线检测中遮挡和磨损的问题？请给出具体方案
  • 在车规级芯片上部署模型时，你通常采用哪些轻量化技术？
  • 你如何看待无图化趋势？你认为当前技术的主要挑战是什么？

职位点评

75
综合评分

技术前沿、薪资优厚、成长空间大，但工作强度较高且灵活性一般。

从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。

更适合这类人
最看重技术成长和前沿探索、愿意接受高强度工作以换取职业跃升的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展90
工作生活40
使命价值75

薪资福利

85较高

该职位薪资竞争力强，博世福利完善，但薪资水平未在JD中明确披露，仅从行业和公司规模判断为市场偏高水准。

薪资信号未披露（AI估算：30K-50K/月）

成长发展

90较高

职位涉及前沿技术（无图化、BEV、多任务学习），成长空间极大，JD明确提及研究前沿技术并推动量产，技术引领性强。

技术前沿前沿/新兴技术
技术栈Transformer、CNN、BEV、车道拓扑、多任务学习、Occupancy Network、World Model
成长机会前沿技术跟踪与落地
业务类型profit_center

工作生活

40较低

工作地点在上海，但为仅现场办公，未提及弹性工作或远程；自动驾驶行业普遍工作强度大，JD中无WLB相关表述。

工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）

使命价值

75中等

自动驾驶行业处于高速增长期，无图化技术有较高社会价值（提升出行安全），但JD中未强调使命感，整体中性偏正向。

行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术

博世 的其他在招职位

相似职位推荐

Watch Jobs