感知/端到端方向算法实习生

优缺点分析

角色解读

• 实习期间积累自动驾驶感知实战经验，可发表顶会论文
• 优秀实习生可转正为正式算法工程师，深入参与核心项目
• 未来可向感知算法专家、端到端算法专家或技术Leader方向发展
• 研究并实现自动驾驶前沿算法，重点攻克端到端、闭环训练等方向
• 参与感知模块的开发，解决3D Occupancy、动静态感知等难题
• 进行模型训练、验证与优化，并输出技术方案或论文
• 扎实的深度学习基础，熟悉BEV、Transformer等感知架构
• 熟练使用Python和PyTorch进行算法开发与调试
• 了解端到端、轨迹预测或模仿学习等前沿方向
• 良好的学习与沟通能力，能独立解决问题

申请策略

• 简历中附上GitHub或技术博客链接，展示算法实现能力
• 提前了解地平线感知业务方向，在面试中表现出对技术热情
• 突出自动驾驶或计算机视觉相关项目经验，尤其是端到端、感知方向
• 列出发表的顶会/刊论文，或开源项目贡献
• 强调Python和PyTorch的熟练程度，以及相关框架的使用
• 系统复习BEV、Transformer等经典感知架构，并动手复现
• 学习端到端自动驾驶论文（如UniAD、VAD等），理解其实现细节

面试指南

• 结构化回答：先讲核心概念，再对比不同方法，最后结合具体项目谈实践
• STAR法则：描述情境、任务、行动和结果，突出个人贡献
• 请解释BEV感知的基本原理，以及它与传统方法的区别
• 你如何设计一个端到端的自动驾驶模型？请描述整体框架
• 针对3D Occupancy预测，有哪些主流方法？如何评价其优劣？
• 你读过哪些自动驾驶感知领域的最新论文？请分享你的理解
• 你如何用PyTorch实现一个Transformer模块？
• 熟悉地平线的主流算法产品（如征程芯片、感知方案）