泊车端到端算法工程师（L4）

优缺点分析

角色解读

• 技术专家路线：从视觉感知算法工程师向自动驾驶系统全栈专家发展，深入端到端和感知融合
• 团队管理路线：积累项目经验后，可晋升为技术负责人或团队Leader，主导泊车感知方向
• 负责自动驾驶泊车场景的视觉感知算法研发，包括BEV、端到端等模型的设计与训练
• 参与模型的数据分析、测试、部署和车端性能优化，确保算法在实车上的实时性和准确性
• 跟踪前沿技术，探索新方法提升感知能力，如Occupancy预测、目标检测/分割/跟踪等
• 扎实的编程基础：熟练掌握Python和C++，熟悉PyTorch等深度学习框架
• 深度学习核心知识：深入理解CNN和Transformer，熟悉计算机视觉任务（检测、分割、跟踪等）
• 自动驾驶感知经验：了解BEV、Occupancy、端到端算法，有模型部署和优化经验者优先

申请策略

• 了解轻舟智航的技术路线和产品（如龙舟系列），在面试中展示对公司业务的理解
• 准备一个完整的感知项目案例，从数据到部署的全流程细节，展现工程思维
• 突出自动驾驶或相关领域的感知算法项目经验，尤其是BEV、端到端、Occupancy等方向
• 强调编程能力：Python和C++的熟练程度，以及PyTorch等框架的使用经验
• 展示模型优化和部署经验：如模型剪枝、量化、TensorRT等车端加速实践
• 如有论文或比赛获奖（如Kaggle、CVPR），务必列出以体现学术能力
• 若暂无端到端经验，可提前学习经典论文（如UniAD、BEVFormer）并复现代码
• 补充C++工程能力，熟悉Linux环境下开发和调试，了解ROS或自动驾驶中间件

面试指南

• 对于算法原理类问题，先简述核心概念，再结合实际应用场景说明优缺点
• 对于项目经验类问题，采用STAR法则：背景、任务、行动、结果，突出量化指标
• 对于优化类问题，从模型结构、量化、剪枝、硬件加速等角度系统性回答
• 请解释BEV感知的原理及在自动驾驶中的优势？
• 如何设计一个端到端模型实现从传感器输入到轨迹输出？
• 如何优化一个深度学习模型在嵌入式平台上的推理速度？
• 请描述一下你在目标检测或分割项目中遇到的最大挑战及解决方法
• 对Occupancy网络的理解？它在泊车场景下如何应用？