感知算法实习生

优缺点分析

角色解读

• 实习期积累百万级真实路测数据和数据闭环经验，为转正成为正式感知算法工程师打下基础
• 向感知算法专家方向发展，深耕Corner Case挖掘或模型部署优化等细分领域
• 未来可横向迁移至自动驾驶系统架构、模型量化部署等方向，或纵向成长为技术Leader
• 深入分析自动驾驶路测数据的Badcase，定位感知模型在长尾场景中的漏检、误检等失效根因
• 参与数据闭环全流程，包括数据挖掘、自动标注、样本均衡和增量训练，推动模型每周迭代
• 协助2D/3D检测、OCC等模型的轻量化与嵌入式部署评估，确保在Orin等平台上高效运行
• 扎实的计算机视觉基础，熟悉目标检测、语义分割等经典算法
• 精通Python和PyTorch，具备数据处理和分析脚本编写能力
• 良好的问题拆解能力和工程耐心，能从海量数据中发现规律并设计解决方案

申请策略

• 在简历中体现对数据驱动方法的理解和热情，最好有数据分析和Badcase分析的相关案例
• 了解元戎启行的技术路线和产品，面试时可展示对自动驾驶Corner Case的思考
• 突出计算机视觉相关项目经验，尤其是目标检测、BEV感知或OCC方面的成果
• 强调数据处理和分析能力，如大规模数据集处理、数据清洗、可视化等
• 展示Python和PyTorch的使用熟练度，如有开源项目或代码仓库更佳
• 深入学习2D/3D检测算法（如YOLO系列、CenterPoint）及OCC、BEV感知原理
• 补充嵌入式部署知识，如TensorRT、ONNX、Orin平台优化经验
• 熟悉数据闭环工具链，如自动标注、样本均衡、增量训练流程

面试指南

• 针对Badcase问题，采用假设驱动：从数据分布、标注质量、模型能力三个维度逐步排查，用实验验证根因
• 对于数据挖掘策略，可结合模型置信度、不确定性估计以及场景聚类（如光照、遮挡等）进行主动学习
• 对于部署优化，从模型剪枝、量化、算子融合和内存管理等方面展开，并强调边测边调的迭代过程
• 请描述一个你处理过的计算机视觉任务中的Badcase，你是如何定位并解决的？
• 如何设计一个数据挖掘策略来高效发现自动驾驶感知模型的长尾失效场景？
• 解释2D/3D检测中常用的数据增强方法及其对模型鲁棒性的影响
• 了解OCC（占用网格）吗？与传统的3D检测相比有什么优缺点？
• 如果模型在Orin上推理速度不达标，你会如何优化？