地平线
感知算法实习生
感知算法实习生
发布于 5 小时前实习/见习
实习生仅现场办公计算机视觉工程
计算机视觉工程
Bev
Lidar
Pytorch
图像分割
多模态融合
感知算法
目标检测
端到端算法
值不值得投
70综合评分
综合评分 70
自动驾驶头部企业核心算法实习岗，技术栈前沿、成长空间极大，但现场办公与出勤要求对时间管理挑战较高。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
6千
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 430 个在招 · 其中计算机视觉工程 9 个
市场机会
选择面较广
北京 · 计算机视觉工程 · 约 110 个在招
职位详情
关于这个职位
该职位主要参与自动驾驶感知算法的迭代优化，包括视觉与激光雷达多模态融合、目标检测与分割等
你将处理大规模真实道路数据，参与从数据挖掘到模型部署的完整闭环，解决长尾场景下的性能挑战
最低要求
硕士及以上学历在读，计算机/人工智能相关专业
熟悉前沿的感知端到端算法，了解 BEV、Transformer 等经典感知算法
具备扎实的 Python 编程能力，熟练使用 PyTorch
拥有较强的学习能力、沟通能力和独立工作能力
出勤需满足每周四天以上（现场实习，非远程）
工作职责
参与感知算法模型迭代优化，攻克感知长尾和corner场景性能问题
参与视觉与Lidar多模态特征融合算法迭代优化，研究模态对齐和特征融合方案
参与动静态目标检测/分割/识别算法的研发与迭代，针对实际场景需求优化现有感知模型性能指标
参与大规模真实道路数据的处理、标注与分析，构建与维护高质量的评估数据集，参与数据挖掘、标注、训练、部署及 badcase 回归等闭环链路
优先资格
拥有 CVPR/NeurIPS 等顶会/刊论文者优先考虑
连续实习6个月及以上者优先考虑
AI 洞察
优缺点分析
优点
- 处于自动驾驶与人工智能前沿领域，技术栈（BEV、Transformer、端到端）极具行业竞争力
- 能够接触大规模真实道路数据与完整的模型落地闭环，工程与算法能力双重提升
- 地平线作为行业头部企业，平台大、技术氛围浓厚，有顶会论文背景能获得更多核心项目机会
- 感知长尾问题（Corner Case）是行业难题，算法优化难度大，需要极强的钻研精神
- 适合计算机或人工智能专业硕士及以上在读、对自动驾驶感知算法有浓厚兴趣，且具备较强编程与科研能力的求职者
缺点 / 挑战
- 实习要求每周出勤4天以上且现场办公，对在读硕士的时间管理和学业平衡提出较高要求
角色解读
- 从算法实习生成长为感知算法工程师，深入掌握多模态融合与端到端自动驾驶技术
- 未来可向高级算法专家、感知技术负责人或自动驾驶系统架构师方向发展
- 参与自动驾驶感知算法的迭代优化，解决长尾和复杂场景下的性能瓶颈
- 研究视觉与激光雷达的多模态特征融合，优化目标检测、分割与识别模型
- 处理大规模真实道路数据，参与从数据挖掘、标注到模型训练、部署及Badcase回归的完整闭环
- 扎实的Python编程能力，熟练使用PyTorch深度学习框架
- 熟悉BEV、Transformer等经典感知算法及前沿的端到端自动驾驶算法
- 具备较强的数据处理与分析能力，能够独立开展算法研究与模型调优
申请策略
- 提前了解地平线的征程系列芯片及自动驾驶解决方案，在面试中展现对公司业务和技术栈的深入了解
- 明确自己的可实习时长，确保能满足每周4天、连续6个月以上的要求，这是HR筛选的重要硬性指标
- 重点突出在CVPR/NeurIPS等顶会发表的论文，详细阐述在感知、多模态融合或端到端算法方面的研究成果
- 展示熟练使用PyTorch进行模型训练与优化的项目经验，特别是涉及BEV或Transformer架构的实战案例
- 强调处理大规模数据集及参与模型部署、Badcase分析的工程落地经验
- 深入学习BEV感知、Occupancy Network及端到端自动驾驶（如UniAD）等前沿论文与开源代码
- 提升C++或模型部署（如TensorRT）能力，以更好地适应从算法研究到工程落地的闭环需求
面试指南
- STAR法则：针对项目或论文问题，清晰阐述背景（Situation）、任务（Task）、行动（Action）和结果（Result），突出个人贡献与量化指标
- 对比分析法：在回答多模态融合或算法选型问题时，对比不同方案（如前融合vs后融合）的原理、适用场景及性能差异，展现技术深度
- 闭环思维：在回答Badcase排查问题时，按照‘数据排查-模型分析-策略优化-验证回归’的闭环逻辑进行解答
- 请详细介绍你在CVPR/NeurIPS等顶会发表的论文，你在其中的核心贡献是什么？
- 在视觉与Lidar多模态融合中，你了解哪些主流的模态对齐和特征融合方案？各自的优缺点是什么？
- 针对自动驾驶感知中的长尾场景（Corner Case），你有哪些解决思路或实际优化经验？
- 请描述一个你使用PyTorch从零实现或优化感知模型（如目标检测/分割）的完整项目经历
- 如果模型在训练集上表现很好，但在实际道路测试中Badcase很多，你会如何排查和优化？
职位点评
薪资福利70
成长发展95
工作生活40
使命价值85
薪资福利
70中等
作为头部自动驾驶企业的算法实习岗，实习津贴在同类实习中处于较高水平，但整体仍属于实习薪酬范畴。
薪资信号未披露（AI估算：4.5–8千/月）
成长发展
95较高
岗位涉及BEV、Transformer、端到端等最前沿的自动驾驶感知技术，且要求顶会论文，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、BEV、Transformer、Lidar、端到端算法、多模态融合
业务类型ambiguous
工作生活
40较低
明确要求现场实习且每周出勤4天以上，对在读学生的学业和日常生活时间占用较大，WLB受限。
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
85较高
自动驾驶技术致力于提升交通安全与效率，具有较高的社会价值与行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs