Perception Algorithm Engineer

优缺点分析

角色解读

• 在技术深度上，你可以从算法研发专家，成长为能够定义技术路线、解决行业级难题的感知系统架构师
• 在业务广度上，积累的矿山无人驾驶经验可以横向拓展至港口、物流等更多工业自动驾驶场景，或纵向深入至规控、决策等上下游模块
• 随着项目经验的积累，你也有机会向技术管理或项目负责人方向发展，负责带领团队完成更复杂的系统集成与交付任务
• 你将专注于矿山无人驾驶场景，设计并优化融合激光雷达、摄像头、毫米波雷达的多传感器感知系统，实现环境的高精度建模与目标识别
• 你需要开发并迭代BEV感知、语义分割、目标跟踪等核心算法，并针对矿区扬尘、雨雪等极端工况研发抗干扰机制，提升系统鲁棒性
• 你的工作还包括在NVIDIA Orin等车规级嵌入式平台上部署和优化算法，确保其高效运行，并与硬件、控制团队协作完成从传感器选型到整车部署的全流程
• 你需要精通C++和Python编程，具备扎实的算法实现与调试能力，这是完成所有开发工作的基础
• 你必须深入理解激光雷达点云处理、图像识别及多传感器融合技术，并熟悉基于激光雷达的深度学习模型部署，用于物体识别与姿态测量
• 你需要掌握目标检测、语义分割、BEV建模、Transformer等主流感知算法的原理，并拥有在复杂场景下的实际应用和优化经验

申请策略

• 申请前深入了解卡特彼勒在矿山自动化、无人驾驶领域的业务布局和已发布的技术成果，在求职信或面试中体现你的关注与思考
• 强调你不仅具备算法能力，更拥有强烈的工程落地意识和跨团队协作能力，这与职位强调的“全流程协同”和“工程化落地”高度契合
• 重点突出你在自动驾驶或机器人领域的感知算法项目经验，特别是完整参与从研发到部署的全流程项目，并量化成果（如提升的精度、降低的延迟）
• 详细描述你处理激光雷达点云、进行多传感器融合的具体工作，以及应对过哪些复杂环境（如恶劣天气、特殊地形）的挑战和解决方案
• 务必展示你在嵌入式平台（尤其是车规级或高性能计算平台）上部署和优化算法的经验，包括使用的工具链和性能提升的具体数据
• 如果对矿山等特定工业场景不熟悉，可以提前调研相关技术论文和行业报告，了解其感知难点（如粉尘干扰、动态目标特性）和主流解决方案
• 加强对NVIDIA Orin或类似车规级计算平台开发工具链（如CUDA, TensorRT）的学习，并尝试在仿真或简单原型上进行算法部署的练习
• 回顾并梳理自己过往项目中关于算法鲁棒性提升、模型轻量化或部署优化的具体案例，准备在面试中清晰阐述技术细节和思考过程

面试指南

• 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策、解决问题的具体行动以及可量化的成果
• 回答技术方案类问题时，先阐述问题本质和核心难点，再分层次给出解决方案（如数据预处理、模型设计、后处理优化），并对比不同方案的优劣及选择依据
• 请详细介绍一个你主导或深度参与的自动驾驶感知项目，你在其中负责的具体模块、遇到的最大挑战及如何解决的？
• 在融合激光雷达和摄像头数据时，你会采用怎样的框架？如何处理两者在时间、空间和特征层面的对齐与互补问题？
• 针对矿山扬尘严重导致激光雷达点云质量下降的问题，你会从算法层面设计哪些策略来提升感知系统的鲁棒性？
• 请描述一次你在嵌入式平台（如Jetson系列、Orin）上部署深度学习模型的经历，遇到了哪些性能瓶颈，你是如何分析和优化的？
• 如果感知模块的输出出现间歇性跳变或延迟增大，你的排查思路是什么？如何与规控团队协作界定问题边界？
• 深入复习计算机视觉和深度学习的基础知识，特别是目标检测、语义分割、BEV感知、Transformer等与JD直接相关的模型原理和最新进展