3D点云算法工程师

优缺点分析

角色解读

• 实习期间表现优秀可直接转正，进入安克正式校招序列
• 在技术方向上可深入3D视觉与多模态融合，后续可发展为点云算法专家或自动驾驶感知工程师
• 积累端侧模型部署经验，拓展至嵌入式AI或边缘计算领域，职业路径宽广
• 负责dToF稀疏点云的去噪、聚类与质量优化，并探索视觉大模型（SAM）与传统点云处理结合的新方法
• 研发Depth Completion算法，融合dToF和RGB图像，解决户外复杂光照下的深度边缘模糊和材质漏检问题
• 复现并部署PoinTr、NLSPN等SOTA网络到嵌入式平台（TensorRT/RKNN），完成全链路工程落地
• 参与真实场景数据采集与标定，构建评测benchmark，推动算法迭代
• 熟练掌握Python和PyTorch，能独立完成模型训练、调参与评估
• 具备C++基础，能够阅读PCL、Open3D、OpenCV等库的源码
• 扎实的数学基础：线性代数、概率统计，理解点云几何处理与相机投影模型
• 熟悉3D深度学习或图像处理至少一个方向，了解点云去噪、深度补全等常见任务

申请策略

• 在面试中展现对算法落地的热情，关注安克创新在智能家居/机器人领域的产品方向
• 强调自己的数学基础和学习能力，实习岗位看重潜力
• 突出点云处理、深度补全等相关项目经历，尤其是使用PyTorch进行模型训练和调参的经验
• 强调C++编程能力和对PCL/Open3D/OpenCV等库的使用，可附上GitHub链接
• 如有KITTI/ScanNet等benchmark实验经历或顶会论文，务必重点展示
• 展示端侧模型部署（TensorRT/RKNN）或嵌入式优化的经验，与岗位高度相关
• 提前熟悉dToF传感器原理和Depth Completion常见方法（如NLSPN）
• 可预研SAM模型在点云上的应用，了解如何结合2D/3D视觉

面试指南

• 对于技术问题，遵循“定义-原理-实现-优化”的框架，先明确问题背景，再讲解核心公式或步骤，然后说明在项目中如何实现，最后提出可能的改进点
• 对于项目经验问题，使用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，突出个人贡献和量化结果
• 请介绍一下点云去噪常用的方法，并简述Fast Bilateral Filter的原理
• 如何设计一个Depth Completion网络？请画出框图并解释每个模块的作用
• 解释一下TensorRT的INT8量化过程，部署时如何平衡精度和速度？
• 你有用过SAM吗？如何将SAM与点云处理结合起来？
• 在户外复杂光照下，dToF深度图会有哪些退化？如何利用RGB信息进行补偿？
• 复习3D视觉基础知识，特别是点云处理、多视图几何和相机模型