算法模型主任工程师

优缺点分析

角色解读

• 技术专家路线：从算法工程师逐步成长为感知算法专家或首席科学家，主导核心技术方向
• 技术管理路线：积累项目经验后，可转向技术管理岗位，负责团队管理与项目规划
• 跨领域发展：基于感知算法基础，可向自动驾驶系统架构、仿真测试或AI平台等方向发展
• 负责自动驾驶车载感知系统的核心算法研发，包括多模态目标检测、分割与多目标跟踪，解决复杂路况下的感知难题
• 设计、训练并优化多模态感知模型，针对车载算力进行模型轻量化、量化与推理加速，确保算法满足量产落地指标
• 参与感知数据集的搭建与迭代，进行难样本挖掘与数据增广，提升算法在极端天气和长尾场景的泛化能力
• 与上下游团队协作完成算法联调、场景测试与问题复盘，输出标准化技术文档与落地方案
• 扎实的深度学习、计算机视觉和机器学习基础，熟悉目标检测、分割、多目标跟踪等核心算法
• 精通PyTorch等主流训练框架，具备模型训练、微调、精度优化和量化部署的完整研发经验
• 熟悉视觉、激光雷达、毫米波雷达的多模态融合方案，了解多模态大模型感知技术
• 熟练掌握Python/C++开发，熟悉Linux环境，具备车载端部署优化经验者优先

申请策略

• 了解吉利商用车在自动驾驶领域的业务布局和技术方向，在面试中展现对公司的了解
• 准备项目案例，重点突出在量产项目中的技术难点和解决方案
• 突出自动驾驶感知项目经验，特别是多模态融合、多目标跟踪等方向的落地案例
• 强调模型优化与部署经验，如模型量化、推理加速、车载端部署等
• 展示对主流算法（YOLO、DETR、Transformer等）的深入理解与实际应用
• 体现独立解决复杂问题的能力，如感知误检、漏检、跟踪漂移等场景问题
• 补充多模态大模型感知技术，关注前沿论文与开源项目
• 强化C++和Linux开发能力，提升模型部署优化技能

面试指南

• 采用STAR法则（情境、任务、行动、结果）回答项目经验，突出个人贡献和量化成果
• 在技术问题中，先阐述原理，再结合项目实践说明优化思路和效果
• 对于前沿技术问题，展示对技术趋势的理解，并联系实际应用场景
• 请详细描述你参与过的多模态融合感知项目，如何解决目标遮挡或极端光照问题？
• 在多目标跟踪中，如何处理目标ID跳变和轨迹丢失？请结合具体算法说明
• 如何平衡模型精度与车载算力？请分享模型量化或推理加速的实际经验
• 谈谈你对端到端感知技术的理解，以及它在自动驾驶中的应用前景
• 在量产项目中，如何评估感知算法的性能？你使用过哪些评价指标？