【地瓜机器人】视觉感知算法工程师

优缺点分析

角色解读

• 技术路线：从算法工程师向高级算法专家或架构师发展，深耕感知算法与部署优化
• 管理路线：积累项目经验后，可向技术Leader或算法团队负责人发展
• 横向拓展：可转向自动驾驶、机器人系统集成或AI平台开发等方向
• 设计和开发机器人场景的视觉感知算法，包括立体视觉、BEV、Occupancy等，实现3D目标检测、分割与跟踪
• 将深度学习模型优化并部署到边缘芯片（如地平线征程系列），完成量化、剪枝等工程化工作
• 参与BEV感知算法的验证与落地，搭建云端评测系统，确保算法在实际机器人场景中的性能
• 扎实的深度学习基础，熟悉PyTorch或TensorFlow，能独立调试和优化模型
• 深入理解BEV感知经典算法（如BEVFormer、Detr3D），具备相关的开发或研究经验
• 较强的编程能力（C++/Python），熟悉传统计算机视觉或点云处理算法
• 有顶会论文或竞赛经历者优先，体现算法创新能力

申请策略

• 面试前了解地平线产品线（征程系列芯片）及机器人业务方向，准备相关思考
• 可以准备一个完整的项目案例，从算法设计到部署的流程，展示综合能力
• 突出BEV相关项目经验，如BEVFormer、PETR等具体算法应用或改进
• 强调模型部署经历，如TensorRT、ONNX、量化、剪枝等边缘优化实践
• 展示编程能力（C++/Python）和深度学习框架熟练度，附上GitHub链接
• 如有顶会论文或竞赛奖项，务必放在显眼位置
• 系统复习BEV感知主流论文，动手复现经典模型
• 学习模型轻量化技术（如知识蒸馏、量化）及边缘推理框架（如地平线工具链）

面试指南

• 技术问题可采用「原理-方案-权衡」框架：先阐述算法核心原理，再结合场景提出优化方案，最后说明不同方法的取舍
• 项目经历问题可采用「背景-挑战-行动-结果」STAR法则，突出自己的贡献和量化成果
• 开放性问题可从多角度分析，展示系统思维，并结合实际经验给出判断
• 请详细讲一下BEVFormer的架构，以及如何优化它在边缘设备上的推理速度？
• 如何对3D目标检测模型进行量化？量化后精度下降怎么办？
• 在机器人场景中，Stereo和BEV方法各自的优缺点是什么？
• 你如何评估一个感知算法在真实机器人上的效果？设计一个评测方案
• 描述一次你解决过的最难的算法调优问题