【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：从算法工程师成长为视觉感知方向的技术专家，主导核心算法研发
• 管理路线：积累项目经验后转向技术负责人或团队 Leader，带领项目落地
• 行业拓展：机器人视觉领域前景广阔，可向自动驾驶、具身智能等方向延伸
• 设计并开发机器人场景下的视觉感知算法，聚焦 Stereo、BEV、Occupancy 等方向
• 实现 3D 目标检测、分割、跟踪等核心功能，确保算法在边缘芯片上的高效运行
• 参与感知模型从云端训练到边缘部署的全流程，包括量化、优化和验证
• 负责云端 GT 链路和评测系统的搭建，推动算法持续迭代
• 扎实的深度学习基础，能独立分析和解决算法问题
• 深入理解 BEV 感知经典算法（如 BEVFormer、Petr），并具备动手实现能力
• 熟练使用 PyTorch 或 TensorFlow 进行模型开发，有较强的编程能力（C++/Python）
• 熟悉点云处理或传统计算机视觉算法，有三目/双目经验者优先

申请策略

• 关注地平线在机器人领域的业务方向（如扫地机器人、服务机器人），面试时展现对产品的理解
• 准备一个完整的算法落地案例，从问题定义到部署效果，展示全栈能力
• 突出 BEV 或 3D 感知相关的项目经验，详细说明算法设计、优化和最终效果
• 如有顶会论文或竞赛获奖，单独列出，充分体现研究能力和成果
• 强调深度学习框架（如 PyTorch）的熟练程度，并附上 GitHub 链接展示代码能力
• 突出点云处理、模型量化部署或嵌入式优化相关经验，增加匹配度
• 如果当前 BEV 算法经验不足，可以系统学习 BEVFormer、Detr 等论文并复现代码
• 补充模型部署知识，如 ONNX、TensorRT 或边缘芯片的量化工具，提升实战能力

面试指南

• 对于原理类问题：先概述核心思想，再拆解模块（输入、特征提取、输出），最后点出创新点和适用场景
• 对于优化类问题：从模型剪枝、量化、算子融合、内存优化等维度展开，结合具体工具和效果数据
• 对于项目经验类问题：采用 STAR 原则（情境、任务、行动、结果），突出个人贡献和量化结果
• 请详细解释 BEVFormer 的原理，包括 Transformer 结构和时序融合方式
• 在边缘设备上部署深度学习模型时，你通常采用哪些优化策略？
• 如何评估 3D 目标检测模型的性能？用哪些指标？如何处理不同尺度目标？
• 你遇到过最难的算法调试问题是什么？如何定位并解决的？
• 对 Occupancy 网络的理解及其与 BEV 的关系？