感知算法工程师

优缺点分析

角色解读

• 深耕感知技术，成为多传感器融合或机器人视觉专家
• 转向机器人系统架构，负责整体感知决策规划
• 积累管理经验，带领感知算法团队，向技术管理方向发展
• 开发扫地机/割草机的视觉和LiDAR感知模型，包括障碍物检测、前融合和深度估计
• 负责模型选型、训练优化、数据工程等全流程，确保模型性能和效率
• 处理量产交付中的badcase，定位并修复模型问题，保障产品稳定性
• 与硬件、系统团队协作，推动算法在嵌入式平台上的部署与迭代
• 扎实的计算机视觉和深度学习基础，熟悉目标检测、语义分割等任务
• 精通至少一种深度学习框架（如PyTorch、TensorFlow），有模型优化经验
• 具备多传感器融合（视觉+LiDAR）的实际项目经验
• 熟悉模型量化、剪枝、TensorRT等部署优化工具，了解嵌入式平台限制

申请策略

• 了解安克创新扫地机产品线（如eufy系列），面试时展示业务理解
• 准备一个完整的感知项目案例，涵盖从数据收集到部署的细节
• 突出目标检测、点云处理等感知项目经验，展示模型优化和部署成果
• 强调数据工程和自动化工具的使用经历，如主动学习、自动标注等
• 量化展示项目指标提升，如mAP、推理速度、内存占用等
• 如有嵌入式平台（如Jetson）部署经验，务必重点描述
• 学习多传感器融合和SLAM基础知识，扩展感知技术栈
• 掌握TensorRT、ONNX等模型优化工具，提升部署能力

面试指南

• 使用STAR法则描述项目，突出具体贡献和量化结果
• 展示平衡精度和速度的权衡思路，如使用轻量化网络、模型压缩等
• 系统性解决badcase的思路：数据增强、难例挖掘、错误分析循环
• 请介绍你之前做过的视觉检测模型，如何优化模型速度和精度？
• 如何处理长尾问题或者badcase？请举例说明
• 谈谈对多传感器融合的理解，你用过哪些融合方式？
• 在资源受限的嵌入式设备上如何进行模型部署？遇到过哪些挑战？
• 如何快速迭代模型以适应新场景或新硬件？