元戎启行
感知算法工程师（OCC方向）
感知算法工程师（OCC方向）
发布于 3 天前普通员工/个人贡献者
深圳市
专家级经验
全职员工
仅现场办公
硕士
软件工程
3D视觉
Bev
Nvidia Orin
Occupancy Network
Pytorch
Tensorflow
自动驾驶
AI 估算 · 30k–60k
自动驾驶感知算法专家级岗位，深圳大厂C轮公司，硕士博士要求，薪资对标市场高端水平。
职位详情
关于这个职位
该职位专注于开发基于3D占用网络（OCC）的感知算法，用于高阶自动驾驶系统
你将负责从模型设计、训练到部署的全流程，解决非标准障碍物检测难题，提升行车安全性和平顺性
适合对自动驾驶感知技术有深入理解和实战经验的算法工程师
最低要求
教育背景：计算机、机器人、自动化、数学等相关专业硕士或博士学历
核心技术：深厚的深度学习基础，精通PyTorch/TensorFlow等框架
深入理解Transformer架构及其在视觉任务中的应用（如BEVFormer, GEP-OCC, TPVFormer等）
熟悉3D几何与视觉：包括相机几何模型、坐标系转换、点云处理等
实战经验：具备BEV感知或3D检测算法研发经验
有实际处理过大规模数据训练、解决过过拟合或噪声数据问题的经验
工程能力：熟练掌握Python/C++，具备良好的算法工程化习惯，熟悉Linux开发环境
工作职责
OCC 模型研发：负责基于多摄像头或多模态融合的 Occupancy 感知算法的设计、训练与优化
包括从 Image Backbone 到 3D/BEV 空间转换，以及 3D Decoder 的架构设计
通用障碍物识别：利用 Occupancy 技术解决异形车、施工区域、散落物等传统 3D 检测（Detection）难以覆盖的 General Objects 识别问题
时序与融合：研究时序融合方案（Temporal Fusion），提升 OCC 预测的稳定性与连贯性，抑制闪烁与空洞
自动化标注与数据流：构建基于 NeRF 或大模型驱动的 Occupancy 自动化标注工具链，提升数据闭环（Data Loop）效率
量化与部署：配合系统团队将高参数量模型在车载芯片（如 NVIDIA Orin, TI TDA4 等）上进行算子优化与量化部署，实现高性能实时推断
AI 洞察
优缺点分析
优点
- 前沿技术栈：聚焦Occupancy Network、BEV、Transformer等自动驾驶最热门方向，技能积累价值高
- 行业前景广：自动驾驶高速发展，高阶NOA需求旺盛，人才稀缺
- 公司平台好：元戎启行是领先的L4级自动驾驶公司，C轮融资，技术氛围浓厚
- 工作内容丰富：从模型设计到部署全链路参与，综合能力提升快
- 技术难度大：OCC算法涉及多模态融合、时序建模和量化部署，对理论深度和工程能力要求高
缺点 / 挑战
- 工作强度可能较高：自动驾驶行业竞争激烈，项目迭代快，可能存在加班
- 数据资源依赖：大规模标注和真值生成是瓶颈，需要应对数据噪声和长尾问题
- 适合深度学习或计算机视觉背景、对自动驾驶感知有热情、喜欢挑战前沿技术并具备扎实工程能力的算法工程师
角色解读
- 技术方向：从算法研发向系统架构师或技术专家发展，主导自动驾驶感知核心模块
- 管理方向：积累一线经验后晋升为技术主管或项目负责人，带领感知团队
- 跨领域拓展：结合规划控制、传感器融合等，成为全栈自动驾驶工程师
- 设计和训练基于多摄像头/多模态的3D占用网络模型，提升自动驾驶对三维环境的理解
- 利用占用网络识别异形车、施工区域等传统检测难以覆盖的障碍物
- 研究时序融合方案，优化模型预测的稳定性和连贯性
- 构建自动化标注工具链，并配合硬件团队进行模型量化与部署
- 深厚的深度学习基础，精通PyTorch或TensorFlow
- 深入理解Transformer在视觉任务中的应用，如BEVFormer
- 扎实的3D几何与视觉知识，包括相机模型和点云处理
- 良好的工程能力，熟练掌握Python/C++，有大规模数据处理经验
申请策略
- 关注元戎启行的技术博客或招聘公众号，了解其感知方案的技术路线
- 面试前准备一个BEV感知或OCC相关的完整项目案例分析，从问题定义到方案落地
- 突出BEV感知或3D检测相关项目经验，说明你在模型架构设计、训练和优化中的具体贡献
- 展示Transformr在视觉任务中的应用实例，如BEVFormer、DETR等
- 强调大规模数据处理和工程化经验，包括数据清洗、训练加速、量化部署等
- 附上相关论文发表或开源项目贡献（如GitHub链接），体现技术深度
- 补充Transformer在3D视觉中的最新论文阅读，如Occupancy相关（GEP-OCC, TPVFormer）
- 熟悉NVIDIA Orin或其他车载芯片的算子优化方法（TensorRT部署）
面试指南
- 结构化回答：先概述核心概念，再分步骤说明技术细节，最后总结关键点
- STAR法则：针对项目经验问题，描述情境、任务、行动、结果，突出你的贡献
- 对比分析：当被问及技术选型时，比较不同方案的优缺点，体现思考深度
- 请详细解释Occupancy Network的原理及其与3D检测的区别
- 如何设计一个基于多摄像头的BEV空间转换模块？请从Backbone到Decoder阐述
- 在训练OCC模型时，如何处理数据不平衡和长尾障碍物问题？
- 你如何评估OCC模型的性能？有哪些指标和可视化方法？
- 描述一次你优化深度学习模型推理速度的经历，具体用了哪些技术？
职位点评
65
综合评分
前沿自动驾驶感知算法岗，技术深度高，成长空间大，但工作强度未知，福利未明确。
更适合这类人
最适合以技术成长为核心动机的求职者，愿意投入高强度工作换取前沿技能积累和行业前景。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值70
薪资福利
60中等
职位薪资未明确披露，但结合行业和岗位要求预估市场较高水平，福利和稳定性未提及，补偿性动机满足程度一般。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
90较高
职位涉及前沿技术（Occupancy Network, BEV, Transformer），全链路研发流程，能极大提升技术深度和广度，发展性动机得到很好满足。
技术前沿前沿/新兴技术
技术栈Occupancy Network、BEV、Transformer、PyTorch、TensorFlow、NeRF、NVIDIA Orin
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工作或WLB，且自动驾驶行业通常工作强度较大，生活化动机满足程度有限。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
自动驾驶是高速增长赛道，对社会安全和交通效率有积极影响，但JD未强调使命感，意义感动机满足中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs