感知后处理工程师

优缺点分析

角色解读

• 深耕泊车感知领域，成为超声波或视觉车位检测方向的专家
• 横向拓展至通用障碍物检测、端到端感知模型等其他感知模块
• 向感知系统架构师或技术管理方向发展，主导量产项目感知方案
• 解析超声波回波信号，进行多回波筛选、噪声抑制、盲区补偿，构建超声障碍物点云并实现目标跟踪
• 负责视觉车位检测后处理，包括BEV车位线解析、角点提取与分类，以及车位多帧跟踪与修正
• 融合视觉、超声波、地图等多源信息，计算可泊可用空间，判断车位占用状态与可泊性
• 在量产车型上进行适配调优，处理各种Corner Case，与规划控制团队对接保障链路质量
• 精通C++11/14/17，具备扎实的工程能力和性能调优意识，3年以上开发经验
• 熟练掌握超声波后处理、视觉车位检测、自由空间融合等相关算法
• 了解传感器验收流程、量产车型开发流程，具备问题闭环能力
• 熟悉Apollo/Cyber RT或ROS2者优先，具备端侧部署经验更佳

申请策略

• 在简历中量化成果，如'提升超声检测率至99.5%，误检率降低至0.1%'
• 面试前准备一个完整的泊车感知项目案例，从需求分析到最终交付的流程梳理
• 重点突出超声波后处理或视觉车位检测相关项目经验，尤其是量产交付案例
• 强调C++编程能力和性能优化成果，如内存管理、实时性优化等
• 展示传感器验收、供应商对接经验，体现闭环能力和跨团队协作
• 如有Apollo/ROS2或BEV模型部署经验，务必单独列出
• 系统学习超声回波信号处理和障碍物跟踪算法，可复习卡尔曼滤波、匈牙利匹配等
• 熟悉BEV感知模型的基础原理，了解端侧部署流程（如TensorRT、ONNX）

面试指南

• 针对算法类问题：先概述基本原理，再结合具体实现细节（如阈值选择、滤波方法），最后用实际项目案例佐证
• 针对量产问题：按照'问题描述-分析原因-解决方案-效果量化'的逻辑展开，强调闭环思维
• 针对融合问题：说明不同传感器的优缺点，阐述融合策略（如权重、置信度、卡尔曼滤波等）
• 请详细解释超声波回波信号处理的步骤，包括多回波筛选和噪声抑制的方法
• 如何评估超声传感器的检测性能？你会设计哪些测试用例？
• 描述一下BEV车位检测后处理的整体流程，如何解决车位角点误检和多帧跟踪？
• 在量产项目中遇到一个棘手的Corner Case，你是如何分析和解决的？
• 如何融合视觉自由空间和超声障碍物信息来计算可泊空间？