智能驾驶感知算法开发岗

优缺点分析

角色解读

• 技术专家路线：从算法工程师成长为高级算法专家，深入某一感知子领域（如BEV、融合）并引领技术方向
• 技术管理路线：积累项目经验后，可转向技术团队负责人或项目经理，管理小型研发团队
• 行业拓展路线：凭借在智能驾驶感知领域的积累，可跳槽至其他自动驾驶公司、科技企业或出行服务商担任核心岗位
• 研究与开发智能驾驶感知核心算法，如视觉、BEV（鸟瞰图）和激光雷达融合感知技术
• 优化算法性能，进行模型迭代与代码维护，确保感知系统在复杂场景下的准确性与实时性
• 参与ACC自适应巡航、HWA高速辅助、NOA导航辅助等功能中感知模块的开发、测试与量产交付
• 与规控、底层软件、系统集成等团队协同，完成功能从算法到系统的端到端开发
• 精通C/C++和Python编程语言，熟悉Linux开发环境及cmake/g++等编译工具
• 深入掌握CNN、Transformer等深度学习算法，以及BEV感知、多传感器融合（视觉、激光雷达）技术
• 具备扎实的计算机视觉、自动驾驶或机器人学知识，熟悉tracker/matcher、calib标定算法（如ceres/g2o）
• 逻辑思维能力强，能承受项目量产压力，对智能驾驶行业有强烈热情和持续学习意愿

申请策略

• 研究吉利汽车在智能驾驶领域的战略（如浩瀚架构）和已量产的功能（如NOA），在面试中展示与公司方向的契合度
• 准备一个完整的感知算法项目案例，清晰阐述问题定义、技术选型、实现难点与解决方案，以体现解决实际问题的能力
• 突出与自动驾驶感知相关的项目经验，特别是BEV、传感器融合、目标检测与跟踪等具体算法应用案例
• 强调C++/Python在算法开发、性能优化中的熟练度，以及在Linux环境下的开发与部署能力
• 展示使用cmake/g++等工具进行工程构建，以及调测、调试复杂系统的经验
• 提供在计算机视觉、深度学习竞赛中的成绩或相关学术研究（如论文、专利），以证明技术深度
• 深入学习BEV感知、Transformer在自动驾驶中的最新应用，可通过开源项目（如OpenPCDet）进行实践
• 提升C++代码性能优化、模型轻量化（如TensorRT部署）及多线程编程能力，以满足量产需求

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，突出个人贡献和技术细节
• 结合算法原理和工程实践进行解释，如Transformer的自注意力机制在BEV中的应用，或使用ROS进行多传感器数据同步
• 强调量化结果（如性能提升百分比、延迟降低毫秒数）和团队协作，展示解决问题的系统性思维
• 请详细介绍一个你参与过的感知算法项目，你在其中负责什么？遇到了哪些技术挑战，如何解决的？
• 在BEV感知中，如何将多视角图像转换到鸟瞰图并保证实时性？有哪些常见优化方法？
• 对于多传感器融合（如相机+激光雷达），你如何处理数据对齐和融合策略？请举例说明
• 在ACC/HWA/NOA功能开发中，感知模块有哪些关键性能指标（如延迟、准确性）？如何衡量和优化？
• 当感知算法在复杂天气（如雨雾）或光照条件下性能下降时，你会采取哪些措施来提升鲁棒性？