点云目标检测算法工程师

优缺点分析

角色解读

• 成为自动驾驶感知算法专家，深入多传感器融合或模型轻量化方向
• 转向技术管理，带领团队负责感知模块研发
• 拓展到规划、控制或系统架构等上下游领域
• 研发点云目标检测与跟踪模型，提升感知系统准确度
• 探索深度学习新方法（如BEV）检测环境信息，优化实时性能
• 负责车端模型性能评估、耗时优化及硬件友好部署，解决实车测试问题
• 扎实的C++和Python编程能力，熟悉算法与数据结构
• 熟练使用深度学习框架（Pytorch或Tensorflow）进行模型开发
• 掌握计算机视觉与机器学习基础知识，如目标检测、分割、跟踪
• 有3D点云处理或BEV感知经验者优先

申请策略

• 在简历中描述一个完整的项目从研究到落地的过程，突出解决的关键问题
• 关注轻舟智航的产品与技术路线，面试时表现对公司的了解
• 突出点云检测或BEV相关的项目经验，量化性能提升指标
• 展示顶会论文或Kaggle/竞赛成绩，体现学术能力
• 强调C++/Python编码能力及模型优化部署经验（如TensorRT）
• 附上GitHub链接或技术博客，展示学习深度
• 学习经典3D检测网络（PointPillars、CenterPoint等）并复现
• 练习模型量化、剪枝、TensorRT部署等工具

面试指南

• 先明确问题本质，再结合经典方法提出改进方案，最后用具体项目经验支撑
• 对开放性问题，可先给出多种方法对比，再选择最适合场景的方案
• 请设计一个适用于自动驾驶的轻量级点云目标检测模型
• 如何处理点云中的稀疏性与遮挡问题？
• BEV感知中如何融合多传感器（相机+激光雷达）信息？
• 模型部署时如何平衡精度与帧率？请举例
• 实车测试中发现误检，排查思路是什么？
• 复习PointPillars、CenterPoint、SSD等模型结构与损失函数