轻舟智航
端到端OCC算法工程师
端到端OCC算法工程师
发布于 2 天前普通员工/个人贡献者
北京市 / 苏州市
中级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
3D场景理解
Occupancy Network
Pytorch
Ros
Tensorflow
多传感器融合
深度学习
计算机视觉
AI 估算 · 30k–50k
自动驾驶算法岗前景广阔，需扎实技术，薪资竞争力强。
职位详情
关于这个职位
该职位专注于自动驾驶中 Occupancy Network（OCC）算法的研究与开发，负责构建高精度3D场景占据网络，优化模型推理效率和精度
涉及多传感器融合、深度学习、计算机视觉等技术，与感知、规划等团队协作推动算法落地
适合有扎实编程和深度学习背景、对自动驾驶领域有热情的工程师
最低要求
计算机科学、电子工程、自动化、机器人、人工智能等相关专业硕士及以上学历
熟练掌握 Python、C++ 等编程语言，具备扎实的算法和数据结构基础
熟悉深度学习、计算机视觉、3D几何处理等技术，有 TensorFlow、PyTorch 等框架的实际项目经验
熟悉 Occupancy Network、3D目标检测、语义分割等相关算法
了解多传感器融合（摄像头、激光雷达等）技术，具备相关开发经验者优先
熟悉自动驾驶相关技术栈（如 ROS、Autoware 等）者优先
有自动驾驶、机器人、计算机视觉等相关领域的实际项目经验
具备 Occupancy Network 或类似 3D 场景理解算法的开发经验者优先
具备端到端自动驾驶模型开发经验者优先
工作职责
负责自动驾驶中 Occupancy Network（OCC）相关算法的研究与开发，构建高精度的3D场景占据网络模型
设计和实现端到端中的占据栅格算法，从多传感器（如摄像头、激光雷达等）数据中提取环境信息，生成3D占据栅格地图
优化 Occupancy Network 的推理效率和精度，提升模型在复杂场景下的鲁棒性和实时性
结合深度学习、计算机视觉等技术，开发高效的3D目标检测、语义分割和场景理解算法
在仿真环境和实车测试中验证算法性能，分析数据并持续优化模型
与感知、规划、控制等团队协作，推动 OCC 算法在实际自动驾驶系统中的应用落地
撰写技术文档，参与技术评审，跟踪学术界和工业界的最新进展
优先资格
了解多传感器融合（摄像头、激光雷达等）技术，具备相关开发经验者优先
熟悉自动驾驶相关技术栈（如 ROS、Autoware 等）者优先
具备 Occupancy Network 或类似 3D 场景理解算法的开发经验者优先
具备端到端自动驾驶模型开发经验者优先
AI 洞察
优缺点分析
优点
- 自动驾驶行业处于高速发展期，OCC是前沿技术方向，技能积累价值高
- 公司已获C轮融资，业务稳定，能提供实车测试和落地场景
- 与多团队协作，能系统了解自动驾驶全栈技术
- 涉及多传感器融合和端到端模型，技术栈广，学习曲线陡峭
- 实车测试周期长，可能需要出差到测试场地
- 适合有深度学习计算机视觉背景、对自动驾驶有浓厚兴趣、愿意深入钻研前沿算法并承担一定技术难度的工程师
缺点 / 挑战
- 算法复杂度高，需同时兼顾精度和实时性，优化挑战大
角色解读
- 从算法工程师逐步成长为自动驾驶感知或端到端方向的专家，深入OCC技术前沿
- 可以向技术管理方向发展，带领算法团队
- 也可横向扩展到感知、规划等其他自动驾驶模块，成为系统级专家
- 研究和开发 Occupancy Network 算法，构建高精度3D场景占据网络，从多传感器数据中提取环境信息
- 优化模型推理效率和精度，提升在复杂场景下的鲁棒性和实时性
- 在仿真环境和实车中测试算法性能，与感知、规划等团队协作推动落地
- 扎实的 Python 和 C++ 编程能力，熟悉算法和数据结构
- 深度学习框架 TensorFlow 或 PyTorch 的实战经验，熟悉计算机视觉和3D几何
- 了解 Occupancy Network、3D目标检测、语义分割等算法，有多传感器融合经验更佳
申请策略
- 申请时关注公司技术博客或相关会议论文，展现对 OCC 领域的前沿洞察
- 面试前准备好一个完整的 OCC 相关项目介绍，包括问题、方案和成果
- 突出在 Occupancy Network 或3D场景理解方面的项目经验，包括模型设计、优化和落地效果
- 强调多传感器融合或自动驾驶相关项目，如使用 ROS、Autoware 等
- 展示编程能力，特别是 Python 和 C++ 的熟练程度，以及 TensorFlow/PyTorch 的使用深度
- 补充端到端自动驾驶模型相关知识，如 UniAD 等
- 深入学习 Occupancy Network 最新论文（如 OpenOccupancy）并复现
- 练习实车或仿真平台的算法部署经验，熟悉推理加速工具（TensorRT）
面试指南
- 先阐述核心概念和动机，再结合具体案例或实验数据说明
- 对于优化类问题，可以按“分析瓶颈-提出方案-验证效果”的逻辑回答
- 针对实际项目问题，采用 STAR 法则（情境、任务、行动、结果）
- 请解释 Occupancy Network 的原理，与传统3D检测方法相比有何优势？
- 如何设计一个端到端的占据栅格模型？数据如何标注？
- 在优化 OCC 推理效率时，你会考虑哪些技术（如量化、剪枝）？
- 如何处理多传感器数据的时间同步和空间对齐？
- 描述你过去在自动驾驶或计算机视觉项目中遇到的最大挑战及解决方案
职位点评
69
综合评分
前沿技术、高成长性、薪资可观，但需要现场办公且福利未明确。
更适合这类人
适合以技术成长和行业前景为核心动机的求职者，对工作强度有一定容忍度。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活40
使命价值80
薪资福利
70中等
薪资处于行业较高水平（30-50k/月），但福利未在JD中提及，补偿性动机有一定满足。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
85较高
职位涉及前沿的 Occupancy Network 和端到端技术，有明确的技能成长和项目实践机会，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Occupancy Network、深度学习、多传感器融合、端到端自动驾驶、ROS
成长机会跟踪学术界和工业界的最新进展
业务类型profit_center
工作生活
40较低
仅现场办公，未提及弹性或远程，且可能需要出差测试，生活化动机满足有限。
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
80较高
自动驾驶行业处于高速增长赛道，OCC技术有助于提升自动驾驶安全性，有正向社会影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs