视觉障碍物感知算法工程师

优缺点分析

角色解读

• 可向高级算法专家或技术负责人方向发展
• 有机会转向自动驾驶系统架构或决策规划等方向
• 在 AI 芯片公司积累经验后，可进入更广泛的机器人或 AI 领域
• 研发自动驾驶环境感知算法，包括目标检测、语义分割、深度估计等
• 设计和优化 Occupancy Network 与 Flow 网络架构，处理长尾场景
• 探索多传感器（视觉、激光雷达、毫米波雷达）融合感知算法
• 精通 PyTorch 和 Python/C++，具备扎实的工程能力
• 深入理解机器学习与深度学习，熟悉 OCC、WorldModel、Depth 估计等技术
• 有 Occupancy 网络难例挖掘经验，以及量产项目交付经验

申请策略

• 了解地平线芯片平台（如征程系列）的特点，体现对软硬件协同的理解
• 关注自动驾驶行业最新动态，在面试中展现技术热情
• 突出自动驾驶或机器人感知相关项目经验，特别是量产交付案例
• 重点展示在 Occupancy Network、目标检测、语义分割等方向的技术成果
• 强调工程能力，如 PyTorch 使用、C++ 优化等
• 深入学习 Occupancy Network 和 WorldModel 相关论文及开源实现
• 补充多传感器融合（如 LiDAR-Camera 融合）的实践经验

面试指南

• 对于技术原理问题，先解释基本概念，再结合实际应用场景分析优缺点
• 对于长尾场景问题，强调数据增强、难例挖掘、仿真生成等方法，并举具体案例
• 对于融合问题，说明标定、同步、融合策略（前/后融合）及各自的 trade-off
• 请详细解释 Occupancy Network 的原理及其在自动驾驶中的应用
• 如何解决自动驾驶中的长尾场景数据不足问题？
• 多传感器融合中，视觉和激光雷达的时间同步与空间对齐如何处理？
• 请描述一个你在量化项目中优化算法性能的经历
• 你对 World Model 的理解是什么？它如何用于感知预测？