全模态感知算法工程师

优缺点分析

角色解读

• 在专业领域深耕，成为姿态感知、多模态融合或端侧优化方面的技术专家或架构师
• 向技术管理方向发展，负责感知算法团队或模块的技术规划与带领
• 随着公司产品成功，在机器人具身智能、人机交互等前沿领域积累深厚影响力
• 设计、训练并优化用于机器人的人体与手部姿态估计深度学习模型
• 将算法模型高效部署到高通DSP等移动算力平台，进行深度工程优化以满足实时性要求
• 构建和维护用于训练与评估模型的传感器数据集和自动化流水线
• 与SLAM、业务等团队紧密合作，将感知能力集成到机器人产品中，并跟踪前沿技术进行探索
• 具备扎实的计算机视觉和深度学习理论基础，熟练掌握姿态估计算法和相关模型（如MANO, SMPL）
• 拥有强大的C++和Python工程能力，精通模型量化、压缩及在边缘设备（如高通平台）的部署与优化
• 具备完整项目经验，涵盖从算法研发、数据集建设到多传感器联调和最终产品落地的全流程
• 对机器人感知或XR交互领域有热情，能跟踪并评估前沿学术与开源进展

申请策略

• 在简历或求职信中，明确阐述你对‘全模态感知’和‘机器人端侧部署’的理解，展示你的技术洞察
• 提前研究智元机器人的产品动态（如远征A2等），了解其应用场景和可能的技术挑战，在面试中展现你的主动性
• 重点突出姿态估计、人体建模（MANO/SMPL）的具体项目经验与成果（如精度提升、功耗降低）
• 详细描述模型部署、量化、针对特定芯片（如高通DSP/NPU）的优化实践与性能数据
• 强调数据集建设、传感器标定、多目视觉等相关工程经验
• 如有顶会论文或高质量开源项目，务必在醒目位置展示
• 复习并深入理解主流姿态估计算法（如基于回归、基于热力图）的原理与差异
• 实践高通Hexagon SDK、QNN工具链，或模拟在边缘设备上的模型部署与调试流程

面试指南

• 采用STAR法则（情境、任务、行动、结果）结构化回答项目经验，重点突出你的技术决策和量化成果
• 对于工程问题，按照‘分析瓶颈-提出方案-权衡取舍-验证效果’的逻辑链进行阐述
• 对于开放性或前瞻性问题，先表明观点，再结合具体技术原理和实际应用约束进行辩证分析
• 请描述一个你做过的最复杂的姿态估计项目，遇到了哪些难点，如何解决的？
• 在将一个深度学习模型部署到移动端DSP时，你会如何进行性能分析和优化？请描述步骤
• 如何设计一个数据集采集与标注流程，来保证姿态估计模型在真实场景下的鲁棒性？
• 如果感知模块输出的手部姿态在快速运动时出现抖动或丢失，你可能从哪些环节排查原因？
• 你如何看待大模型（如扩散模型）在机器人感知领域的应用前景与挑战？