【地瓜机器人】视觉感知算法工程师

优缺点分析

角色解读

• 技术深耕：成为视觉感知算法专家，主导前沿算法研发
• 横向扩展：转向自动驾驶或机器人系统架构师，负责整体方案设计
• 工程化发展：专注于模型优化、部署和工具链开发，成为AI工程化专家
• 设计和开发机器人场景下的3D视觉感知算法，包括Stereo、BEV、Occupancy等方向，涵盖目标检测、分割、跟踪等任务
• 负责感知模型在边缘芯片上的优化、量化和部署，确保算法在资源受限设备上的高效运行
• 参与云端GT链路和评测系统的落地与优化，提升算法开发的迭代效率
• 扎实的深度学习理论基础，能独立分析和解决算法问题
• 熟悉BEV经典算法（如BEVFormer, Petr, Detr）及点云处理或传统计算机视觉算法
• 熟练使用PyTorch或TensorFlow等主流深度学习框架
• 出色的编程能力，熟练掌握C++和Python

申请策略

• 关注地平线芯片平台（如征程系列）的开发者文档，在面试中展现对硬件特点的理解
• 提前了解机器人或自动驾驶行业的感知需求，思考算法落地的实际挑战
• 突出BEV相关的项目或研究经历，明确说明你在算法设计、模型训练和部署中的具体贡献
• 如果有顶会论文或竞赛获奖，务必放置在显眼位置
• 展示C++/Python编程能力，尤其是高性能计算或CUDA优化经验
• 强调对点云处理或 Stereo 算法的理解，并在项目描述中体现技术深度
• 系统学习BEVFormer、Detr等最新算法原理，并尝试复现以加深理解
• 补强模型量化（如INT8）、剪枝等边缘部署技能，熟悉ONNX、TensorRT等工具

面试指南

• 对于原理类问题，先用一句话概括核心思想，再分步骤展开关键模块（输入、变换、输出），最后结合优点和局限性
• 对于部署类问题，从模型转换（ONNX）、量化（PTQ/QAT）、算子优化、性能评估几个环节逐一说明，突出实践经验
• 对于开放性问题，采用STAR法则（情境-任务-行动-结果），展示系统思考和动手能力
• 请详细解释BEVFormer的原理，包括Transformer如何应用在BEV空间中
• 如何将PyTorch模型部署到边缘芯片？你会选择哪些量化方法？
• 在3D目标检测中，如何平衡精度和速度？请举例说明
• 描述一个你解决过的算法难题，你是如何分析并解决的？
• 你对Occupancy网络的理解是什么？它与BEV检测有何异同？