视觉感知算法工程师

优缺点分析

角色解读

• 专业方向：从算法工程师向高级算法专家、首席科学家方向发展，在感知算法领域深耕，成为技术权威
• 管理方向：从技术骨干向技术经理、研发总监发展，带领团队负责核心算法模块的研发与交付
• 行业方向：自动驾驶感知技术是智能汽车的核心，经验积累后可向机器人、智能驾驶等更多AI领域拓展
• 研发和优化自动驾驶核心的视觉感知算法，包括2D/3D目标检测、Occupancy Network、BEV感知等，是自动驾驶系统的'眼睛'
• 负责感知模型的完整生命周期，从模型设计、训练调优到量化部署，解决算法在车载芯片上的工程化落地问题
• 参与多传感器融合方案设计，融合摄像头、激光雷达、毫米波雷达数据，提升感知系统的精度和鲁棒性
• 持续跟踪学术界和工业界前沿技术，进行技术预研和复现，推动新技术在量产项目中的应用
• 扎实的深度学习理论基础，熟悉CNN、Transformer等主流网络结构，深入理解目标检测、语义分割等经典算法
• 熟练掌握Python和PyTorch/TensorFlow，能够独立完成模型搭建、训练和调优
• 具备扎实的C++编程能力，了解嵌入式系统部署流程，能解决模型量化、精度损失等工程问题
• 熟悉3D目标检测、BEV感知、Occupancy Network等自动驾驶感知算法，有相关项目经验者优先

申请策略

• 在投递时，可以明确表达对自动驾驶感知技术的热情和对地平线技术路线的了解
• 面试前，准备一个自己最擅长的感知算法项目，能够清晰阐述技术方案、难点和成果
• 重点突出3D目标检测、BEV感知、Occupancy Network等相关的项目或科研经历，用数据量化成果（如精度提升、速度优化）
• 强调深度学习框架（PyTorch/TensorFlow）和C++的熟练程度，展示独立完成模型训练和部署的能力
• 如果有顶级会议论文（CVPR、ICCV等）或自动驾驶相关项目经验，务必在显眼位置展示
• 突出解决工程化问题的能力，如模型量化、推理加速、嵌入式部署等经验
• 深入理解BEV感知、Occupancy Network等前沿算法原理，并尝试复现相关论文
• 补充CUDA编程、TensorRT等模型推理优化和部署技能，提升工程化能力

面试指南

• 项目介绍采用STAR法则：背景（Situation）、任务（Task）、行动（Action）、结果（Result），重点突出你的技术贡献和量化成果
• 技术问题回答思路：先阐述基础概念和原理，再结合项目经验说明应用和优化，最后提出自己的思考和改进方向
• 对于前沿技术问题，可以展示你对领域动态的关注，并表达你对该技术落地应用的见解
• 请详细介绍一下你做过的一个3D目标检测或BEV感知项目，包括技术选型、模型结构和性能指标
• 谈谈你对Occupancy Network的理解，它相比传统目标检测有什么优势和挑战？
• 如何解决模型在边缘端部署时的精度损失和推理速度问题？
• 在自动驾驶感知中，如何处理多传感器融合？你有哪些经验？
• 请介绍一篇你读过的关于BEV感知或世界模型的前沿论文，并谈谈你的看法