【无人车北斗实习】3D高斯模型实习生

优缺点分析

角色解读

• 从算法研究到工程落地，深入自动驾驶感知与建图方向
• 可向高精地图或3D视觉专家发展，成为自动驾驶核心算法工程师
• 积累前沿技术经验，未来可转至学术或工业界高级研究岗位
• 探索基于3D Gaussian Splatting的重建模型在高精地图建图场景中的应用与优化
• 针对大规模场景重建的效率与精度瓶颈开展算法改进，推动模型在实际驾驶数据上的迭代
• 与工程团队协作，将3D高斯重建能力集成至自动驾驶感知与建图系统
• 具有大规模3D高斯重建的实际经验，熟悉3DGS及其衍生方法
• 了解自动驾驶建图场景需求，具备处理真实驾驶场景数据的能力
• 有相关领域CCF-A类论文发表者优先考虑

申请策略

• 在简历中强调对算法落地和工程化的兴趣，体现动手能力
• 关注美团无人车团队的技术博客或开源项目，面试时展现了解
• 突出3DGS或相关3D重建项目的实际经验，包括数据集、算法改进和效果
• 如果有自动驾驶或高精地图相关经历，重点描述数据处理和建图流程
• 列出发表的CCF-A类论文或顶级会议论文，展示科研能力
• 提前熟悉3DGS及其衍生方法（如Mip-Splatting、SUNDS等）
• 了解高精地图的基本概念和建图流程，可以阅读相关文献

面试指南

• 原理题：先讲3DGS的基本思想（点云+高斯渲染），再与NeRF对比（显式vs隐式），最后结合实际场景说明优缺点
• 优化题：从数据预处理（下采样、分块）、模型结构（减少参数、加速渲染）、训练策略（渐进式训练）等角度回答
• 挑战题：选取一个具体案例，描述问题（如光照变化、动态物体）、分析原因、提出解决方案（如时序融合、运动补偿）
• 请解释3D Gaussian Splatting的核心原理及其与NeRF的区别
• 你如何优化大规模场景下的3DGS重建速度和精度？
• 描述一个你处理真实驾驶数据时遇到的挑战及解决方法
• 你对高精地图建图的理解？3DGS如何应用到高清地图中？
• 复习3DGS论文（原论文及后续改进），理解关键技术点