Body Tracking（人体/手部姿态重建实习生）

优缺点分析

角色解读

• 可向高级计算机视觉算法工程师、机器人感知算法专家方向发展
• 深入探索多模态融合、实时姿态估计及端侧部署技术，成为具身智能领域的核心技术人才
• 负责第一人称视角下人体和手部的姿态重建算法研发与优化
• 协助进行多模态数据（视觉、IMU等）的融合处理、模型训练及端侧原型验证
• 参与数据采集、测试评估及算法迭代全流程
• 扎实的数学基础（线性代数、概率统计、优化理论）
• 熟练掌握Python和PyTorch，具备C++基础
• 了解计算机视觉核心概念（相机标定、PnP、多视角几何）及深度学习时序建模

申请策略

• 准备一个与姿态估计或多模态融合相关的项目案例，重点阐述你的贡献和技术难点解决方案
• 关注智元机器人的最新技术动态和产品方向
• 突出相关的科研项目或竞赛经历，特别是涉及姿态估计、人体跟踪、传感器融合的项目
• 详细列出掌握的技术栈（Python, PyTorch, C++, SLAM等）和数学基础
• 展示实际动手能力，如深度相机调试、数据采集经验
• 加强多视角几何、相机标定原理的理解
• 熟悉主流人体/手部模型（MANO, SMPL）
• 提升PyTorch模型训练和优化技巧

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目经历
• 对于技术问题，先阐述基本原理，再结合实际应用场景分析优缺点，最后给出自己的理解和解决方案
• 请介绍一个你做过的相关项目，你在其中承担的角色和解决的问题
• 如何理解相机标定中的PnP问题？常用的求解方法有哪些？
• 在多模态融合中，如何处理不同传感器之间的时间同步问题？
• 简述SMPL模型的原理及其在姿态估计中的应用
• 如何在资源受限的端侧设备上部署实时姿态估计模型？
• 复习计算机视觉核心教材（如《Multiple View Geometry》），梳理常用算法原理