高德-算法工程化/推理优化/计算图工程师/专家-具身系统软件方向

优缺点分析

角色解读

• 可以从算法工程化工程师向系统架构师发展，深入计算图优化、异构计算架构等方向
• 也可以横向拓展至自动驾驶、机器人完整软件栈，成为全栈式机器人软件专家
• 未来可向技术管理岗位发展，带领工程化团队，推动产品级算法落地
• 你将负责将感知、控制等算法模型部署到机器人端侧，完成模型格式转换、量化、编译和推理加速
• 你需要优化模型在CPU/GPU/NPU等异构平台上的运行性能，并设计和编排算法pipeline，保障多传感器数据流的高效调度
• 你还需建设计算图/数据流框架，提升算法链路的吞吐和稳定性，并与算法团队协作将原型转化为可部署模块
• 扎实的C++编程能力，熟悉Linux开发环境，具备良好的工程素养
• 熟悉至少一种深度学习推理框架（如TensorRT、ONNX Runtime），掌握模型部署全流程
• 掌握多线程、异步调度、内存管理和性能调优技术，能独立分析端侧性能瓶颈

申请策略

• 在面试中展现对端侧资源受限场景下性能优化的思考，可以准备一个从问题定位到解决的完整案例
• 关注高德地图在具身智能领域的产品布局，提前了解相关技术博客或开源项目，展示技术热情
• 突出C++项目经验，尤其是涉及多线程、内存管理、性能profiling的实战
• 详细描述使用TensorRT、ONNX Runtime等框架进行模型部署和优化的具体案例，量化性能提升数据
• 如果有机器人或自动驾驶领域的工程化经验，请重点呈现，包括算法链路接入、pipeline设计等
• 强化对计算图优化理论的理解，可学习TVM、XLA等编译技术
• 补充嵌入式或端侧开发经验，了解ARM架构、NPU编程（如华为昇腾、高通SNPE）等

面试指南

• 对于技术细节问题，遵循「背景-方案-结果-思考」结构，先说明任务背景和约束，再给出具体解决方案，并展示量化结果，最后反思不足之处
• 对于设计类问题，可采用「需求分析-架构设计-权衡取舍-验证方法」框架，先澄清需求，然后画出架构图，讨论不同选择的优劣，最后说明如何验证
• 请介绍一次你将深度学习模型部署到端侧并优化的经历，遇到了哪些性能瓶颈？如何解决的？
• 谈谈你理解的模型量化（如INT8/FP16）的原理和实际效果，对精度的影响如何评估？
• 在多传感器数据流场景下，如何设计算法pipeline来保证低延迟和高吞吐？
• C++中如何高效管理内存？共享内存和智能指针的适用场景是什么？
• 你如何测试和验证端侧算法的稳定性和正确性？
• 复习深度学习模型部署完整流程，重点掌握ONNX、TensorRT、TensorFlow Lite等工具的使用和常见优化手段