HSA自动驾驶感知算法工程师

优缺点分析

角色解读

• 技术深度方向：深耕感知算法，成为BEV/OCC/World Model等前沿技术的专家，发表顶会论文
• 工程架构方向：转向系统架构或自动驾驶平台开发，负责算法工程化与大规模部署
• 管理方向：带领小团队负责特定场景的感知方案，逐步成长为技术Leader或项目经理
• 负责自动驾驶感知算法的研发与落地，包括城市NOA、高速、泊车等场景的模型开发
• 基于视觉或多模态模型，实现道路要素和动态障碍物的稳定感知与识别
• 参与模型部署、量化及车端性能优化，确保精度、时延和稳定性达标
• 通过数据闭环，基于实车路测问题持续迭代模型，解决长尾和异常case
• 扎实的感知算法基础：熟悉目标检测、分割、跟踪等经典方法，有BEV/OCC/3D感知经验者优先
• 熟练使用PyTorch进行模型训练与调优，具备良好的工程能力
• 有模型部署或嵌入式优化经验，熟悉量化、剪枝等压缩技术
• 数据闭环经验：能从实车case定位问题并推动优化，具备较强的分析和解决问题的能力

申请策略

• 关注地平线的产品线（征程系列芯片、Horizon SuperDrive等），在面试中展现对业务的理解
• 准备1-2个完整的项目案例，涵盖从算法设计到工程部署的细节，展示综合能力
• 重点突出自动驾驶或相关领域的感知算法项目经验，尤其是量产或落地案例
• 详细描述在目标检测/分割/跟踪或BEV/OCC等方向的具体工作和成果
• 展示工程能力：模型部署、量化优化、性能调优等相关经历
• 如果有数据闭环经验，突出从实车问题定位并推动优化的案例
• 如果对BEV/OCC不熟悉，建议提前学习相关论文（如LSS、BEVFormer）并复现实践
• 熟悉模型部署工具链（如TensorRT、ONNX、NCNN）和量化方法，提升工程能力

面试指南

• STAR法则：描述项目背景（Situation）、任务（Task）、具体行动（Action）和结果（Result），突出个人贡献和量化成果
• 技术对比：比较不同方案（如BEV vs 透视图）的优劣，展现技术深度
• 问题导向：针对长尾和部署问题，提出系统性解决思路，强调数据驱动和工程化能力
• 请详细介绍你参与过的自动驾驶感知项目，包括技术选型、遇到的挑战及解决方案
• BEV感知相比传统方法有哪些优势？你如何理解BEV在自动驾驶中的作用？
• 如何解决自动驾驶中的长尾问题？请举例说明你在数据闭环中的具体做法
• 模型部署时如何平衡精度和推理速度？你有哪些量化或剪枝的经验？
• 在快节奏量产项目中，如何保证模型的稳定性和鲁棒性？