动态感知算法专家

优缺点分析

角色解读

• 向自动驾驶感知方向的技术专家发展，主导核心算法研发与量产落地
• 可横向拓展至融合、预测、规划等上下游模块，成为系统级算法架构师
• 伴随公司高阶智驾产品的迭代，有机会晋升为团队技术负责人或研究科学家
• 负责城区高阶辅助驾驶的动态感知算法研发，包括视觉/Lidar融合、Occupancy Network等模型的设计与优化
• 探索端到端、时序等高效学习算法，提升环境感知和交通参与者检测的准确性
• 参与数据闭环全流程，从数据挖掘、标注到模型训练、部署及badcase回归，持续迭代模型性能
• 扎实的计算机视觉和深度学习理论基础，精通目标检测、分割、跟踪等至少一两个领域
• 熟练使用PyTorch、TensorFlow等深度学习框架，并具备C++或Python编程能力
• 了解数据结构、算法优化和大规模数据处理，有ACM或工程落地经验更佳

申请策略

• 面试前了解地平线征程系列芯片特点及算法适配策略，展示对端侧优化的理解
• 准备一个从问题定义到解决方案再到量产的完整案例，体现闭环思维
• 突出在目标检测/分割/跟踪等领域的项目经验，尤其是与自动驾驶相关的成果
• 强调使用PyTorch等框架的熟练度，以及C++/Python编程能力，如有ACM经历务必提及
• 如有顶会论文或顶级比赛获奖，优先展示
• 若有量产感知算法落地经验，重点描述
• 熟悉Occupancy Network、端到端感知等最新论文并动手复现，准备相关思考
• 补充数据闭环相关知识，了解数据挖掘、标注、模型部署的工程实践

面试指南

• 采用STAR法则：Situation-Task-Action-Result，清晰说明项目背景、个人贡献、技术细节和量化成果
• 对于算法设计题，先明确问题定义，再给出主流方案比较，最后结合实际场景（端侧算力）提出优化思路
• 遇到不会的问题，可以主动请求提示，并展示逻辑推导过程
• 请介绍一下你最满意的目标检测项目，包括技术选型、难点和最终效果
• 如何设计一个多任务模型同时解决检测、分割和跟踪？在端侧部署时有哪些优化手段？
• 解释Occupancy Network的原理，相比传统方法有什么优势？如何处理动态物体？
• 描述一个你参与的数据闭环案例，如何通过badcase分析推动模型迭代？
• 在白板上手写一个NMS算法，并分析时间复杂度