VIPER算法开发工程师_XC

优缺点分析

角色解读

• 从算法工程师向高级算法工程师或技术专家方向发展，深耕自动驾驶感知领域
• 有机会向技术管理岗位发展，带领团队负责完整感知模块的研发
• 随着自动驾驶技术迭代，可拓展至BEV感知、端到端模型等前沿方向
• 负责前视摄像头车道感知算法的研发与迭代，支撑L2/L2+辅助驾驶功能量产落地
• 设计基于Transformer的轻量化车道检测模型，并针对车规级嵌入式芯片（如地平线、TDA4）进行算力优化
• 提升算法在复杂光照、遮挡、车道线磨损等挑战场景下的鲁棒性，解决长尾问题
• 完成模型量化与嵌入式平台部署，确保量产环境下的实时性与精度平衡
• 深入理解Transformer/CNN网络结构，熟练使用PyTorch框架
• 熟悉BEV感知或车道检测的主流方法，具备模型量化、剪枝等轻量化部署经验
• 扎实的Python和C++编程能力，具备良好的工程实现习惯
• 熟悉地平线、TDA4等嵌入式平台者优先

申请策略

• 了解博世在自动驾驶领域的布局和产品线，在面试中展示对量产项目的理解
• 准备一个完整的车道检测项目案例，从模型设计到部署的全流程
• 突出自动驾驶或ADAS感知算法项目经验，特别是车道检测相关
• 强调Transformer/CNN模型设计、量化、剪枝等部署经验
• 展示Python和C++的工程实现能力，以及解决长尾问题的案例
• 如有地平线、TDA4等嵌入式平台经验，务必重点提及
• 补充学习BEV感知和Transformer在自动驾驶中的应用
• 熟悉地平线工具链或TDA4平台的部署流程

面试指南

• 使用STAR法则：情境、任务、行动、结果，清晰描述项目经历
• 强调技术深度和工程实践，展示问题分析和解决能力
• 结合具体数据（如精度、帧率）量化成果
• 请介绍你过去车道检测项目，如何设计模型并部署到嵌入式平台？
• Transformer在车道检测中相比CNN的优势和挑战是什么？
• 如何解决复杂光照、遮挡下的检测鲁棒性问题？
• 你如何平衡模型精度和实时性？
• 你熟悉哪些嵌入式平台？如何优化模型以适应算力限制？