行车感知算法工程师（静态环境与 OCC 方向）

优缺点分析

角色解读

• 从感知算法工程师向高级算法专家或技术负责人发展
• 可转向自动驾驶系统架构或技术管理岗位
• 在吉利平台积累量产经验，成为行业稀缺的感知技术人才
• 研发基于视觉和多模态的BEV/Occupancy网络，实现通用障碍物的立体空间占用检测
• 构建车道线、交通灯等静态要素的矢量化拓扑，支持高速和城区场景的自动驾驶
• 利用LiDAR点云进行道路边界检测，提升可行驶区域感知的鲁棒性
• 熟悉BEVDet、BEVFormer等主流BEV感知算法，有Occupancy网络实战经验
• 精通Python和PyTorch，具备深度学习模型设计、训练和调优能力
• 了解LiDAR点云处理，掌握静态特征提取方法

申请策略

• 关注吉利在智能驾驶领域的布局，了解其技术路线
• 在面试中展示对量产落地的理解，强调工程化思维
• 突出BEV/Occupancy相关项目经验，尤其是量产落地案例
• 强调PyTorch和Python的熟练度，以及模型优化能力
• 展示对LiDAR点云处理的理解和实际应用
• 深入学习BEVFormer等最新模型，了解其原理和实现
• 熟悉点云处理库如Open3D或PCL，提升静态特征提取能力
• 练习模型剪枝和量化，增强工程化能力

面试指南

• 使用STAR法则，具体描述项目背景、任务、行动和结果
• 展示对算法原理的深入理解，并结合实际案例说明
• 强调工程化思维，如模型压缩、部署优化等
• 请详细描述你参与过的BEV或Occupancy项目，包括技术选型和挑战
• 如何解决复杂场景下通用障碍物检测的漏检问题？
• 解释BEVFormer中的时序建模机制，并说明如何优化
• 如何处理LiDAR点云与视觉融合的标定问题？
• 在模型部署时，如何平衡精度和速度？