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 3 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
3D目标检测
Bev感知
Occupancy Network
Pytorch
多传感器融合
模型量化
自动驾驶
计算机视觉
值不值得投
83综合评分
综合评分 83
前沿技术驱动、薪酬具竞争力、成长空间广阔，但需适应研发节奏与一定工作压力
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
3.3万
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 430 个在招 · 其中计算机视觉工程 12 个
市场机会
选择面较广
北京 · 计算机视觉工程 · 约 150 个在招
职位详情
关于这个职位
面向2027届毕业生，专注自动驾驶核心视觉感知算法的研发与迭代
主要职责涵盖2D/3D目标检测、Occupancy网络设计及多传感器融合方案落地
候选人需独立完成模型训练、量化压缩与车载边缘端部署，持续追踪前沿技术并解决复杂路况下的感知难题，助力智能驾驶产品高效量产
最低要求
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
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
- 身处自动驾驶核心赛道，技术栈高度前沿（BEV/OCC/世界模型），个人技术壁垒积累快
- 依托头部芯片公司平台，拥有海量真实车路数据与完整软硬件协同部署环境
- 直面主机厂核心需求，项目商业化落地路径清晰，职业背书强
- 车载端部署对实时性与功耗要求严苛，模型压缩与工程调优过程繁琐且容错率低
- 适合具备扎实数理与代码基础、对自动驾驶技术有强烈热情、抗压能力强且追求技术深度的应届硕士毕业生
缺点 / 挑战
- 算法迭代极快，需持续高强度跟进顶会论文并快速复现，知识更新压力大
- 面对真实道路长尾Corner Case，数据清洗与Bad Case分析耗时较长，易遇瓶颈期
角色解读
- 纵向深耕自动驾驶感知算法专家路线，成为BEV/OCC/多模态融合领域的核心技术骨干
- 横向拓展至系统架构或全栈感知规划控制方向，向自动驾驶算法负责人或技术总监演进
- 凭借头部芯片公司平台优势，可向AIoT、机器人感知或跨行业智能硬件领域迁移发展
- 负责自动驾驶视觉感知算法的核心研发，包括2D/3D目标检测与Occupancy网络设计
- 完成多传感器融合感知方案的架构设计与工程落地，提升系统在复杂路况下的识别精度
- 主导感知模型的训练、调优、量化及车载边缘端部署，解决实时性与精度平衡的工程难题
- 持续追踪CV与自动驾驶领域前沿论文，复现验证新技术并推动产品化迭代
- 扎实的深度学习理论功底，精通CNN、Transformer架构及目标检测/语义分割经典算法
- 熟练掌握BEV感知框架与Occupancy任务，熟悉主流开源方案及3D检测技术栈
- 具备Python/C++双语言开发能力，熟悉PyTorch/TensorFlow框架及模型量化部署流程
- 优秀的英文文献阅读能力与算法复现能力，能快速跟进学术界与工业界最新进展
申请策略
- 提前研究公司征程系列芯片特性及BPU架构，面试中展现软硬件协同优化的思考
- 关注合作项目的具体应用场景，准备针对车规级安全与功能安全的问答
- 突出深度学习项目经历，重点描述BEV感知、3D目标检测或Occupancy网络的完整实现细节
- 强调C++工程能力与模型部署经验，列出量化加速、TensorRT优化或边缘端推理的具体指标
- 展示顶会论文、竞赛获奖或知名开源项目贡献，体现实验设计与前沿技术追踪能力
- 系统梳理BEVFormer、SurroundOcc等主流架构的源码实现，动手复现核心模块
- 强化C++高性能编程与CUDA并行计算基础，熟悉模型量化（INT8/FP16）与算子优化流程
- 补充ROS/ROS2、Apollo或OpenPCDet等主流自动驾驶开源框架的使用经验
面试指南
- 采用STAR法则结构化回答项目经历，明确背景、任务、行动（技术选型/调参/部署）与量化结果
- 针对算法原理题，先阐述基础概念，再结合最新SOTA方案对比优劣，最后给出自己的改进思路
- 工程部署类问题需从数据流、内存管理、算子融合、硬件特性多维度展开，体现系统级思维
- 请详细讲解你熟悉的BEV感知或Occupancy网络的核心思想与改进点
- 在车载资源受限环境下，如何平衡感知模型的精度与推理延迟？请举例说明你的优化策略
- 遇到大量Bad Case时，你的数据分析思路与迭代闭环是怎样的？
- 请对比单目3D检测、多目3D检测与点云3D检测的优缺点及适用场景
- 精读近一年CVPR/ICCV/ECCV关于BEV/OCC/多模态融合的Top论文，准备核心创新点复述
职位点评
薪资福利85
成长发展92
工作生活65
使命价值80
薪资福利
85较高
薪资处于自动驾驶算法岗市场中上水平，配合上市公司福利体系与年终奖，整体薪酬竞争力较强。
薪资信号市场水准 (2.5千–4.0万/月)
成长发展
92较高
技术栈高度前沿且直接对接量产车型，提供充足的算法迭代空间与产学研结合的成长环境。
技术前沿前沿/新兴技术
技术栈BEV感知、Occupancy Network、3D目标检测、多传感器融合、PyTorch、C++、模型量化
业务类型profit_center
工作生活
65中等
研发岗通常需跟随项目节点推进，但JD未明确强制加班文化，整体WLB处于行业中等水平。
工作模式未明确
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
80较高
投身智能驾驶核心技术研发，助力汽车产业智能化转型，具有显著的行业价值与社会意义。
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