长城汽车-AVP众包建图开发岗(048222)

优缺点分析

角色解读

• 技术专家路线：深耕自动驾驶感知与定位算法，成为该领域的资深专家或首席科学家
• 技术管理路线：带领算法团队，负责更大模块或子系统的算法研发与技术方向把控
• 产品/架构路线：基于深厚的技术积累，转向自动驾驶系统架构设计或技术产品规划
• 你将负责AVP（自主代客泊车）功能中核心的建图与定位算法研发，这是实现车辆自主行驶的关键技术
• 你需要将视觉、激光雷达、卫星定位等多种传感器的数据进行融合，开发出高精度、高鲁棒性的定位与建图算法
• 你的工作不仅限于算法研究，更包括将算法进行工程化开发，并最终落地到实际的汽车产品中
• 必须精通SLAM（同步定位与地图构建）理论，包括视觉SLAM、LiDAR SLAM及其融合技术
• 需要具备扎实的数学基础（如矩阵运算、优化理论）和C++/Python编程能力，能进行高效的算法实现与调试
• 熟悉多传感器数据融合技术（如GVIO），并了解GNSS、IMU、LiDAR、Camera等传感器的原理与数据特性
• 了解前沿的机器学习在三维视觉中的应用（如3D Gaussian Splatting），具有将新技术落地的能力

申请策略

• 在申请前，可以深入研究长城汽车在智能驾驶，特别是泊车场景下的公开技术或专利，使申请更具针对性
• 明确自己倾向的工作城市，并在简历或沟通中体现，便于HR进行安排
• 面试准备时，不仅要准备算法原理，更要思考如何在实际车载资源和场景约束下进行算法设计与优化
• 重点突出在SLAM、多传感器融合、计算机视觉等领域的项目经验，特别是有从0到1或算法优化的完整经历
• 展示C++/Python的工程实现能力，可以列举优化的代码、开发的库或解决的实际工程难题
• 如有使用LiDAR、Camera等传感器进行数据处理和算法开发的经验，务必详细描述
• 可附上相关的技术博客、开源项目或学术论文链接，以证明技术热情和深度
• 系统学习或复习SLAM的经典与前沿算法（如ORB-SLAM系列， LOAM系列， 基于学习的SLAM等）

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地介绍项目经历，突出个人贡献和量化成果
• 回答技术对比题时，先客观分析两者原理和特点，再结合具体应用场景（如自动驾驶）阐述融合的必要性和技术方案
• 讨论前沿技术时，展现你的了解深度，同时诚实地分析其当前技术瓶颈（如实时性、鲁棒性），并思考可能的改进方向
• 对于系统设计问题，从模块化、实时性、可扩展性和鲁棒性等维度展开思考，展示系统化思维
• 请介绍你做过的最复杂的SLAM项目，遇到的最大挑战是什么，你是如何解决的？
• 请比较一下视觉SLAM和LiDAR SLAM的优缺点，以及在多传感器融合中如何取长补短？
• 你如何看待3DGS（3D Gaussian Splatting）在车载实时建图中的应用前景和挑战？
• 如果让你为AVP众包建图设计一个系统架构，你会如何考虑传感器选型、数据处理流程和地图更新机制？