行车感知算法工程师（动态目标与多模态融合方向）

优缺点分析

角色解读

• 技术专家路线：深耕感知算法某一方向（如BEV、多模态融合），成为领域内资深专家
• 技术管理路线：带领小团队负责感知模块整体交付，或横向拓展到规控等其他自动驾驶模块
• 行业影响路线：凭借量产经验，可跳槽至其他智能驾驶公司或新兴科技公司担任核心技术岗位
• 负责自动驾驶车辆感知系统的核心算法研发，处理来自激光雷达、摄像头和雷达的原始数据
• 设计和迭代3D目标检测算法，以提高系统对各类障碍物的识别精度和鲁棒性
• 构建和优化多传感器融合框架，使车辆在各种天气和距离条件下都能可靠感知环境
• 攻克复杂交通场景（如城市路口、遮挡）下的多目标跟踪难题，特别是保障行人和非机动车的安全感知
• 精通计算机视觉和点云处理的核心算法，如BEV感知、3D检测和多目标跟踪
• 熟练掌握深度学习框架（PyTorch）和工程化语言（C++），具备将算法部署到车载平台的能力
• 深入理解多传感器（Camera, LiDAR, Radar）的特性和联合标定、同步等工程实践
• 具备从算法研发到量产落地的完整项目经验，能解决实际工程问题

申请策略

• 面试前，深入研究吉利汽车（特别是极氪品牌）的智能驾驶技术路线和量产车型功能，了解其技术选型
• 准备一个完整的“感知问题-解决方案-效果评估”的讲述案例，展现你的系统化思维和解决问题能力
• 重点突出与“高阶智驾动态感知”直接相关的项目经验，详细描述你负责的具体模块（如激光OD、融合、跟踪）和解决的关键问题
• 在技能部分明确列出你掌握的BEV、PointPillars等主流网络架构，以及C++/Python的工程化能力
• 量化你的成果，例如“将某类障碍物的召回率提升了X%”、“解决了Y场景下的ID跳变问题”等
• 深入研究BEVFormer、UniAD等最新的端到端或BEV感知范式，了解多模态融合的前沿方法
• 练习将PyTorch模型通过TensorRT等工具部署到嵌入式平台的完整流程，强化工程部署能力

面试指南

• 使用STAR法则（情境-任务-行动-结果）来结构化你的回答，突出你在其中的具体贡献
• 技术问题回答时，先讲清原理和权衡，再结合你的实际项目经验和数据进行阐述，体现深度和务实
• 对于开放性设计问题，可以分点论述可能的思路（如数据层、特征层、决策层融合），并分析优缺点
• 请介绍一个你在量产项目中处理过的最具挑战性的感知场景（如严重遮挡、恶劣天气），你是如何解决的？
• BEV感知和传统的基于图像的感知相比，有哪些核心优势和劣势？在你的项目中是如何应用的？
• 在多目标跟踪（MOT）中，如何有效解决目标被遮挡后的ID跳变问题？请结合你的经验谈谈
• Camera-Radar-LiDAR融合时，如果某个传感器（如LiDAR）在雨雾天性能下降，你的算法应如何保证鲁棒性？
• 复习PointPillars、CenterPoint、BEVFormer等关键网络的原理和架构图，能做到白板绘制和讲解