云端算法工程师/专家（感知）-【自动驾驶】

优缺点分析

角色解读

• 在自动驾驶数据闭环中深耕标注算法，可向感知模型算法专家或数据平台架构师发展
• 随着自动驾驶向L4/L5升级，自动标注技术需求持续增长，职位稀缺性高，可晋升为技术负责人
• 积累多模态融合和云端部署经验后，可横向扩展至机器人、智慧城市等领域的感知算法岗位
• 研发激光点云、图像和多模态融合的自动标注算法，覆盖车道线、目标检测、占据栅格等感知任务
• 设计并优化自动标注流水线，减少人工标注依赖，提升标注准确率和召回率
• 与数据平台和感知团队协同，迭代标注质量评估体系，确保标注数据满足自动驾驶模型训练需求
• 扎实的深度学习基础，熟练使用PyTorch或TensorFlow，以及Python和C++编程
• 具备BEV、Transformer、Occupancy Network等主流感知模型的实际开发或应用经验
• 有自动标注算法（如LD/OD/OCC）的开发或落地经验，熟悉云端模型训练与部署优化

申请策略

• 关注哈啰出行的自动驾驶业务方向，了解其数据平台和感知架构，面试中可针对性讨论
• 准备好展示过往自动标注项目的技术方案细节和效果对比，突出创新点
• 突出自动标注项目经验，尤其是实际落地案例和量化成果（如标注效率提升、准确率改进）
• 强调对BEV、Transformer、Occupancy Network等模型的深入理解和使用经验
• 展示云端模型训练和部署的实操经验，包括性能优化、分布式训练等
• 复习强化学习或半监督学习在自动标注中的应用，提升对弱监督场景的处理能力
• 熟悉AI Coding工具（如GitHub Copilot）的使用，提高开发效率

面试指南

• 项目介绍采用STAR原则：情境、任务、行动、结果，突出个人贡献和技术深度
• 对于设计问题，先明确目标和约束，再逐步提出方案，并说明权衡点
• 评价类问题可从算法指标、人工验证、下游任务性能等多维度回答
• 请介绍你参与过的自动标注项目，包括数据量、算法设计、遇到的挑战和解决方案
• BEV感知模型中，如何设计自动标注流程以生成高质量真值？
• 如何评价自动标注质量？你会设计哪些指标来评估标注准确率和召回率？
• 在云端训练大规模自动标注模型时，如何优化训练速度和资源利用率？
• 请解释Transformer在自动标注任务中的优势，并对比CNN相关方法