机器人模型部署工程师

优缺点分析

角色解读

• 在技术深度上，可以成为具身智能和端侧推理优化领域的专家，主导核心算法的部署与性能优化
• 在职业广度上，可以向技术管理方向发展，负责整个机器人AI部署团队的技术规划和项目管理
• 随着具身智能行业的快速发展，该岗位经验在机器人、自动驾驶、智能硬件等多个领域都有很高的价值，职业选择面广
• 负责将深度学习模型（如视觉检测、多模态大模型）部署到NVIDIA Jetson等嵌入式平台，进行C++工程化重构和跨平台移植
• 使用TensorRT、CUDA等工具对模型进行量化、剪枝和算子优化，以提升推理速度，满足机器人实时性要求
• 设计并部署云端大规模推理服务，利用VLLM、Docker等技术实现云-端协同的模型更新和生命周期管理
• 与机器人硬件和中间件对接，解决多模型协同部署和运行中的问题，确保机器人稳定运行
• 精通C++和Python，具备扎实的工程化能力，能进行高性能代码编写和重构
• 深入掌握TensorRT、CUDA、ONNX等模型优化和推理加速工具，熟悉模型量化、剪枝等技术
• 熟悉Docker等容器化技术，了解云端推理服务架构（如VLLM）的设计与部署
• 了解机器人操作系统（ROS/ROS2），具备嵌入式平台（如NVIDIA Jetson）的开发和调试经验

申请策略

• 在申请前，深入了解吉利在机器人领域的布局和具体项目，在面试中展现出对业务的思考和热情
• 准备好一个关于模型部署优化的项目案例，能够清晰阐述从模型到端侧部署的完整流程和遇到的挑战
• 重点突出在NVIDIA Jetson等嵌入式平台上的模型部署和优化项目，详细描述使用TensorRT、CUDA进行性能调优的具体过程和量化成果
• 强调C++和Python的工程能力，特别是大型项目的架构设计和代码重构经验
• 展示对ROS/ROS2、Docker等工具的实际应用，以及解决复杂系统问题的能力
• 如果有机器人或具身智能相关的项目经历，务必放在显眼位置，并说明你在其中的具体贡献
• 如果对TensorRT或CUDA不够熟练，可以提前学习并动手实践，例如尝试用TensorRT优化一个YOLO模型
• 熟悉Docker容器化部署和VLLM等云端推理框架，了解其架构和配置

面试指南

• 回答技术问题时，可以遵循STAR法则（情境-任务-行动-结果），清晰描述项目背景、你的职责、具体技术方案和量化结果
• 对于优化类问题，可以从分析瓶颈、制定方案、实施优化、验证效果四个步骤来回答，体现系统性的思考能力
• 对于架构设计问题，可以结合具体业务场景，从需求分析、技术选型、模块划分、部署运维等角度进行阐述
• 请详细描述一个你使用TensorRT优化模型推理性能的项目，具体做了哪些优化，效果如何？
• 在NVIDIA Jetson平台上部署模型时，如何平衡模型精度和推理速度？
• 谈谈你对量化感知训练（QAT）和训练后量化（PTQ）的理解，以及在实际项目中如何选择？
• 如何设计一个云端推理服务架构，以支持多个机器人模型的并发请求和版本更新？
• 在ROS2环境下，如何实现多个AI模型节点的协同工作并保证实时性？