3D点云算法工程师实习生

优缺点分析

角色解读

• 实习转正后成为正式算法工程师，深入智能硬件的视觉感知方向
• 从算法研发到工程部署全链路能力积累，未来可向高级算法专家或技术管理发展
• 接触工业级项目，为后续从事自动驾驶、机器人等热门领域打下坚实基础
• 负责dToF稀疏点云的去噪、聚类和优化，用于障碍物检测场景
• 研发深度补全算法，融合稀疏深度图和RGB图像，解决户外复杂光照下的深度边缘问题
• 复现并部署SOTA网络（如PoinTr、NLSPN、Depth Anything）到TensorRT/RKNN平台
• 参与数据采集、标注和标定，构建评测基准推动算法迭代
• 扎实的计算机视觉和点云处理基础，熟悉去噪、聚类等传统方法
• 熟悉深度学习模型训练和部署，了解TensorRT或RKNN等端侧推理工具
• 有较强的编程能力（Python/C++），了解常用框架（PyTorch）
• 对2D/3D视觉大模型（SAM等）有了解或兴趣

申请策略

• 关注安克创新的业务方向，了解其智能硬件产品线，在面试中展现对产品的理解
• 主动联系公司内部人员了解团队氛围和技术栈，增加匹配度
• 突出点云处理或计算机视觉相关项目经历，如有竞赛或论文更佳
• 强调动手能力，如模型部署、量化、TensorRT使用经验
• 展示编程能力，包括C++和Python的熟练程度
• 如有开源贡献或技术博客，可以附上链接
• 提前学习点云库（PCL）、Open3D等工具
• 了解TensorRT或RKNN的基本用法，可以跑通一个简单的模型部署流程

面试指南

• 对于项目类问题，使用STAR法则（情境、任务、行动、结果）来组织回答
• 对于技术问题，先阐述基本原理，再结合实际经验说明优缺点和适用场景
• 对于开放性问题，展现自己的思考过程，提出假设和尝试方案
• 请介绍一下你做过的一个点云处理项目，包括遇到的挑战和解决方案
• 如何对稀疏点云进行去噪和聚类？有哪些常用方法？
• Depth Completion中如何融合RGB和深度信息？你了解哪些算法？
• TensorRT和ONNX的模型部署流程是怎样的？遇到过哪些问题？
• 你对SAM模型在点云分割中的应用有什么想法？