地平线
Lidar OCC / Flow 算法工程师
Lidar OCC / Flow 算法工程师
发布于 1 天前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Bev感知
Cnn
Lidar
Pytorch
时序建模
点云处理
自动驾驶
Occupancy Flow
AI 估算 · 30k–60k
该职位技术难度高，涉及前沿算法和量产落地，市场稀缺度高；一线城市头部自动驾驶公司，薪资竞争力强，月薪中位数约45k。
职位详情
关于这个职位
该职位是地平线自动驾驶团队的LiDAR OCC/Flow算法工程师，主要负责基于激光雷达的3D Occupancy、Occupancy Flow等时空感知算法研发，并参与BEV感知、时序建模等核心算法设计与优化
你将负责从算法设计到工程落地的全流程，包括模型训练、调优、部署及推理加速，同时跟踪前沿技术进行创新
适合有扎实深度学习基础、熟悉点云处理和自动驾驶算法、并希望将算法应用于量产场景的工程师
最低要求
硕士及以上学历，计算机、人工智能、自动化、电子等相关专业
扎实的深度学习、计算机视觉基础，熟悉 PyTorch 等深度学习框架
熟悉以下一个或多个方向：
D Occupancy / Semantic Occupancy
Occupancy Flow / Scene Flow
BEV 感知及时序建模
多传感器融合（LiDAR、Camera）
熟悉 CNN、Transformer、时序网络等模型设计，具备模型训练与调优经验
熟悉点云处理及三维几何基础，掌握聚类、连通域、滤波、目标关联、轨迹平滑等常见算法
具备良好的工程能力，熟悉 Python/C++，能够独立完成算法开发与优化
有自动驾驶量产项目经验、模型部署（TensorRT、ONNX、INT8/QAT 等）经验者优先
工作职责
负责基于激光雷达的 3D Occupancy、Occupancy Flow 等时空感知算法研发
负责 BEV 表征学习、时序建模、运动预测等核心算法设计与优化，提升环境理解能力
持续优化模型精度、实时性及鲁棒性，支持量产自动驾驶场景落地
负责模型训练、调优、部署及推理加速，完成从算法设计到工程落地的全流程开发
负责 LiDAR OCC 后处理算法设计与优化，包括 Occupancy 后处理、目标提取、聚类、连通域分析、动态/静态分类、速度估计、时序融合、跟踪关联等，提升感知结果稳定性与可用性
跟踪 Occupancy、Scene Flow、World Model、时空建模等前沿技术，并结合业务持续创新
优先资格
有 CVPR、NeurIPS 等顶会论文或开源项目经验
熟悉 CUDA、模型压缩、量化、编译优化等高性能推理技术
熟悉 MMDetection3D、OccFormer、OpenOccupancy 等相关框架或算法
有大规模自动驾驶数据训练、分布式训练经验
AI 洞察
优缺点分析
优点
- 深度参与自动驾驶量产项目，技术落地价值高，积累实战经验
- 接触Occupancy、Scene Flow等前沿算法，技术壁垒高，提升核心竞争力
- 地平线作为自动驾驶芯片和算法头部公司，平台资源丰富，成长空间大
- 薪资与福利具有竞争力，团队技术氛围浓厚
- 算法要求高，需同时兼顾精度与实时性，对工程能力要求严苛
- 技术更新快，需不断学习前沿论文和工具，保持竞争力
- 适合有扎实深度学习基础、对自动驾驶感知算法有浓厚兴趣，并愿意深入工程落地、追求技术创新的工程师
缺点 / 挑战
- 量产场景复杂，鲁棒性挑战多，需持续优化和迭代
角色解读
- 从算法研究到工程落地全栈能力，成长为自动驾驶感知领域的专家
- 可向技术Leader方向发展，带领团队攻关复杂感知问题
- 有机会接触World Model、端到端等前沿方向，拓展技术视野
- 负责LiDAR 3D Occupancy和Occupancy Flow等时空感知算法的研发与优化，提升自动驾驶环境理解能力
- 设计并优化BEV表征学习、时序建模、运动预测等核心算法，支持量产场景落地
- 完成模型训练、调优、部署及推理加速的全流程开发，并负责后处理算法如聚类、跟踪等，提升感知结果稳定性
- 跟踪Occupancy、Scene Flow等前沿技术，结合业务进行创新突破
- 扎实的深度学习与计算机视觉基础，熟悉PyTorch等框架
- 精通3D Occupancy、BEV感知、时序建模等方向，具备模型设计与调优经验
- 掌握点云处理与三维几何，熟悉聚类、滤波、目标关联等常见算法
- 具备良好工程能力，熟练使用Python/C++，有模型部署（TensorRT等）经验优先
申请策略
- 提前了解地平线的自动驾驶解决方案和芯片产品线，在面试中展示对业务的理解
- 准备一个你主导的感知算法项目，从问题定义、方案设计到落地效果，完整讲述
- 突出在3D Occupancy、BEV感知或时序建模等方向的项目经验，最好有量化指标（如IoU、精度等）
- 强调模型部署经验，如使用TensorRT、ONNX、INT8量化等，并说明对实时性的优化
- 展示点云处理和后处理算法（聚类、跟踪等）的实践成果
- 如果有顶会论文或开源项目贡献，务必突出
- 系统学习Occupancy相关论文（如OccFormer、OpenOccupancy），并复现代码
- 熟悉MMDetection3D等框架，动手实现一个简单OCC模型
面试指南
- 先阐述基本原理，再结合个人项目经验，最后指出关键挑战和解决方案
- 对于开放性问题，采用结构化回答：现状、问题、方法、结果
- 展示技术深度时，可引用具体论文或开源代码，并给出自己的思考
- 请详细解释3D Occupancy和Occupancy Flow的原理及其在自动驾驶中的作用
- 如何平衡模型的精度与实时性？你有哪些具体经验？
- BEV感知中的时序建模有哪些常见方法？比较其优缺点
- 请介绍一个你处理过的点云后处理算法（如聚类、跟踪），并说明如何优化效果
- 你如何看待当前的Occupancy预测技术趋势？是否有改进想法？
职位点评
69
综合评分
头部自动驾驶公司，前沿技术栈，高成长性，但工作强度可能较高。
更适合这类人
侧重技术成长和职业发展，能接受高强度工作节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利
75中等
薪资估算较高，但JD未明确薪资和福利，仅从公司和职位级别判断，薪资竞争力较好。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
90较高
该职位涉及前沿技术（Occupancy、BEV、时序建模）和量产落地，技术成长空间大，但JD未明确提及晋升或培训。
技术前沿前沿/新兴技术
技术栈3D Occupancy、Occupancy Flow、BEV感知、时序建模、PyTorch、CNN、Transformer、TensorRT
业务类型profit_center
工作生活
40较低
要求仅现场办公，地点位于一线城市核心地段，但JD未提及WLB信息，自动驾驶行业通常工作强度较高。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
自动驾驶属于高速增长赛道，社会影响力较高，但JD未强调使命或社会价值。
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