地平线
【2027届校招】视觉感知算法工程师
【2027届校招】视觉感知算法工程师
发布于 大约 9 小时前普通员工/个人贡献者
北京市 / 上海市
无经验要求
全职员工
仅现场办公
硕士
计算机视觉工程
Bev感知
Occupancy Network
Pytorch
多传感器融合
深度学习
目标检测
自动驾驶
计算机视觉
AI 估算 · 25k–40k
自动驾驶风口行业，算法岗校招竞争激烈，北京上海薪酬水平高，上市企业薪资有竞争力。
职位详情
关于这个职位
地平线面向2027届校招的视觉感知算法工程师岗位，核心是研发2D/3D障碍物感知算法，包括目标检测、Occupancy Network、BEV感知等，并推动算法在自动驾驶车载平台上的工程化落地
你将参与多传感器融合方案设计、模型训练与部署优化，与前沿技术紧密接触，适合对自动驾驶感知有浓厚兴趣的计算机视觉方向硕士及以上学生
最低要求
任职要求
学术背景
硕士及以上学历，计算机科学与技术、人工智能、自动化、电子工程、车辆工程、应用数学等相关专业
技术能力
扎实的深度学习理论基础，熟悉CNN、Transformer等经典网络结构，深入理解目标检测、语义分割等经典算法
熟悉BEV感知框架及Occupancy任务，对BEVFormer、BEVDet、OccNet、SurroundOcc等主流方法有系统性了解
熟悉3D目标检测相关方法，包括单目3D检测、BEV 3D检测、点云3D检测等主流方向
熟练掌握Python和PyTorch/TensorFlow等深度学习框架，能够独立完成模型的搭建、训练、调试与优化
具备扎实的编程基础，熟练使用C++进行算法开发，了解嵌入式系统部署流程，能解决模型量化、精度损失等问题
综合素质
具备较强的文献检索和英文阅读能力，能够快速跟进领域前沿进展
踏实好学，具备良好的沟通能力与团队协作精神
对自动驾驶场景下的感知技术有浓厚兴趣，有较强的自驱力和问题解决能力
工作职责
负责视觉2D/3D障碍物感知算法的研发与优化，包括但不限于视觉感知的目标检测、Occupancy Network、世界模型等核心算法的设计与实现
参与Occupancy占用网络算法的研发与工程落地，包括静态障碍物和动态障碍物的占据预测、可行驶区域检测等，解决自动驾驶场景下的通用障碍物感知问题
负责3D目标检测算法的研究与优化，涵盖单目3D目标检测、BEV 3D检测、点云3D目标检测等方向，提升检测精度与实时性
参与多传感器（摄像头、激光雷达、毫米波雷达等）融合感知方案设计，通过数据级、特征级、决策级融合提升环境感知的精度与鲁棒性
负责感知模型的训练、调优、量化与边缘端部署，解决模型在车载计算平台上的精度损失、推理速度等工程化问题
参与BEV感知、多模态融合、OCC占用网络等核心模型的实验、调优和bad case分析，从数据分布、标注质量等出发进行问题解决和性能迭代的闭环
跟踪学术界和工业界在目标检测、Occupancy、BEV感知等领域的最新进展，对前沿工作进行复现和验证，推动新技术在产品化中的应用
优先资格
加分项
有BEV目标检测、Occupancy Network、4D标注、多任务训练等方向的实际项目或科研经验
有自动驾驶或机器人感知相关项目经验
在计算机视觉/机器学习领域顶级会议（CVPR、ICCV、ECCV、NeurIPS等）或期刊上发表过论文
熟悉CUDA编程、模型推理优化、边缘端部署（如TensorRT、ONNX等）
有分布式训练、数据增强、模型量化等训练基础设施使用经验
AI 洞察
优缺点分析
优点
- 地平线是上市芯片公司，平台大，可积累自动驾驶量产落地的宝贵经验
- 校招进入，培养体系完善，有充足的学习和成长空间
- 薪资水平有竞争力，北京上海工作机会多
- 技术深度要求高，需要持续学习最新论文和工具，知识更新快
- 算法落地涉及工程细节，需要耐心处理bad case和量化等问题，可能较为枯燥
缺点 / 挑战
- 自动驾驶是高速增长的赛道，技术前沿，能接触到世界级挑战
- 工作强度大，自动驾驶算法研发节奏快，可能面临较大压力
- 适合对自动驾驶感知有强烈兴趣，具备扎实深度学习基础，喜欢挑战技术难题的硕士或博士应届生
角色解读
- 从算法工程师起步，逐步深入自动驾驶感知核心方向，成为领域专家
- 可向技术专家或技术管理方向发展，带领团队攻关感知难题
- 行业处于高速发展期，有机会参与前沿技术研发，成为行业稀缺人才
- 研发自动驾驶视觉感知算法，包括目标检测、Occupancy Network、3D检测和BEV感知，覆盖2D/3D障碍物感知核心任务
- 参与模型训练、调优、量化与边缘端部署，解决车载平台上的性能与精度问题，确保算法落地
- 与多传感器融合团队协作，设计数据级、特征级、决策级融合方案，提升感知鲁棒性
- 跟踪学术界前沿，复现验证最新方法，推动新技术在产品中应用
- 扎实的深度学习基础，熟悉CNN、Transformer等网络结构，理解目标检测、语义分割等经典算法
- 熟练掌握Python和PyTorch或TensorFlow，能独立完成模型开发与训练
- 熟悉BEV感知框架和Occupancy任务，对主流方法有系统了解
- 具备C++编程能力，了解嵌入式部署和模型量化
申请策略
- 关注地平线的技术博客和产品动态，了解其芯片平台和算法方案
- 在简历中突出与自动驾驶相关的项目细节，展示对行业的热情
- 突出视觉感知相关项目经验，如目标检测、BEV或Occupancy方向的科研或实习经历
- 展示C++和Python编程能力，如有量化部署、推理优化经验务必强调
- 如果有顶会论文或参与过自动驾驶项目，要在显眼位置列出
- 强调自我驱动和问题解决能力，用具体案例说明
- 系统学习BEVFormer、Occupancy等主流算法原理，动手复现一些经典方法
- 练习C++和CUDA编程，熟悉TensorRT/ONNX等部署工具
面试指南
- 对于技术原理问题，先讲整体框架，再深入模块细节，最后结合经验说明难点和优化
- 对于项目经历问题，用STAR法则：情境、任务、行动、结果，突出个人贡献和思考
- 对于开放设计问题，给出清晰的逻辑步骤，注意权衡精度与实时性，体现工程思维
- 请详细讲解你熟悉的BEV感知框架（如BEVFormer）的流程和核心模块
- 如何解决模型量化后的精度损失问题？给出具体策略
- 在自动驾驶场景中，Occupancy Network与3D目标检测相比有哪些优势和不足？
- 描述一个你独立完成的深度学习项目，遇到的最难问题及解法
- 如何设计一个多传感器融合方案来提升小目标检测的鲁棒性？
职位点评
77
综合评分
自动驾驶明星公司，视觉感知算法校招，技术前沿、成长迅猛，但工作强度可能偏高。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
更适合这类人
该职位最适合重视技术成长、渴望挑战前沿算法问题，对自动驾驶有热情的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利78
成长发展92
工作生活48
使命价值85
薪资福利
78中等
薪资水平行业领先，但JD未明确数值和福利，整体补偿性较好。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
92较高
前沿技术方向，接触自动驾驶核心感知算法，成长空间大。
技术前沿前沿/新兴技术
技术栈CNN、Transformer、BEV感知、Occupancy Network、3D目标检测、多传感器融合、PyTorch、TensorRT
业务类型ambiguous
工作生活
48较低
工作地点在北京上海，未提及远程或弹性工时，自动驾驶研发可能节奏较快。
工作模式未明确
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
自动驾驶技术对交通安全和出行效率有积极社会价值，行业前景广阔。
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
地平线 的其他在招职位
相似职位推荐
Watch Jobs