【2027届校招】智能驾驶算法工程师（评测与数据闭环方向）

优缺点分析

角色解读

• 在自动驾驶评测领域深耕，成为算法评测专家，主导评测体系建设
• 向端到端模型研发方向延伸，参与核心模型的设计与训练
• 随着自动驾驶技术成熟，可向技术管理或架构师方向发展
• 负责设计自动驾驶端到端模型的评测指标体系，制定测试方案并落地执行
• 进行场景挖掘和问题分析，识别模型在长尾场景下的短板，为模型迭代提供方向
• 开发评测与数据处理工具链，推动数据-训练-评测的自动化闭环
• 跟踪VLA、World Model等前沿技术，进行方案调研和实验验证
• 扎实的机器学习、深度学习和计算机视觉基础，理解Transformer等模型原理
• 熟练使用Python和PyTorch，具备Linux开发调试能力
• 良好的数据处理能力，能完成数据清洗、模型训练和效果评估
• 了解自动驾驶、多模态模型、仿真评测框架等加分

申请策略

• 仔细分析岗位要求，在简历中针对'评测'和'数据闭环'关键词调整表述
• 了解地平线在智能驾驶领域的业务布局，在面试中展现对公司的认同
• 突出在机器学习/深度学习项目中的实践经历，尤其是模型训练和评估相关
• 强调Python和PyTorch的熟练度，以及处理大规模数据的能力
• 如果有自动驾驶、多模态或机器人相关科研/竞赛/实习经历，务必重点展示
• 体现对前沿技术的了解，如VLA、World Model、BEV感知等，即使只是学习过
• 深入理解Transformer、BEV等模型结构，并动手实现过相关论文
• 熟悉常用评测指标和数据集，了解自动驾驶仿真工具如CARLA

面试指南

• STAR法则：描述情境、任务、行动、结果，突出你的贡献和思考
• 对于设计类问题，先明确目标，再拆解关键维度，给出具体方案，注意权衡
• 对于前沿技术问题，展示你的理解深度，并联系实际应用场景
• 请介绍你在一个机器学习项目中的数据处理和模型评估过程
• 如何设计评测指标来评估端到端自动驾驶模型的性能？
• 谈谈你对VLA或World Model的理解，以及它们可能面临的评测挑战
• 如何处理自动驾驶中的长尾场景？举例说明
• 你用过哪些数据清洗或难例挖掘的方法？