无人机-毫米波雷达感知AI技术研究员

优缺点分析

角色解读

• 向AI算法专家方向发展，深耕毫米波雷达与多模态感知技术
• 转向感知系统负责人，带领团队攻克无人机感知难题
• 横向发展为无人机AI产品经理，结合业务需求规划技术路线
• 负责毫米波雷达感知算法的研发与优化，包括点云处理、目标检测、跟踪与分类
• 设计多传感器融合方案（雷达+视觉+激光雷达），提升无人机在弱光、雨雾等恶劣环境下的感知能力
• 参与算法在嵌入式平台的部署与调优，平衡算力、功耗与精度，支撑量产落地
• 跟踪前沿技术，输出技术Benchmark，推动感知系统的持续迭代
• 精通毫米波雷达数据处理与深度学习模型，熟悉PyTorch或TensorFlow
• 具备嵌入式部署经验，了解算法量产流程（数据采集、标注、模型迭代）
• 年以上雷达感知或自动驾驶/无人机相关算法研发经验
• 具备跨团队协作能力，能从业务场景出发设计可靠性方案

申请策略

• 在面试中准备具体项目案例，重点说明如何解决低空环境下的感知挑战（如小目标、遮挡）
• 关注美团无人机业务最新动态（如航线拓展、机型迭代），展现对业务场景的理解
• 突出毫米波雷达感知项目经验，如目标检测、跟踪或SLAM的实际案例
• 强调深度学习框架使用经验（PyTorch/TensorFlow）及嵌入式平台部署经历
• 展示算法量产全流程参与，包括数据采集、标注、模型迭代等环节
• 体现跨团队协作成果，例如与硬件或飞控团队联合解决的技术难题
• 学习4D点云处理前沿算法，如PointNet++、VoxelNet等，并熟悉雷达信号预处理
• 补充多传感器融合知识，尤其是雷达与视觉的融合策略（如BEV感知）

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目，突出个人贡献和技术难点
• 对于融合方案，采用分层或端到端思路，结合不同传感器的互补性，并考虑实时性约束
• 部署优化方面，从模型轻量化（剪枝、量化）、推理框架选择（TensorRT）和硬件适配等角度回答
• 请介绍一个你主导的毫米波雷达感知项目，包括技术方案和最终效果
• 如何设计一种多传感器融合方案来提升无人机在雨雾天气下的感知可靠性？
• 在嵌入式平台上部署深度学习模型时，你会如何平衡算力、功耗与精度？
• 无人机在低空物流场景中，你会如何设计避障算法的总体思路？
• 请谈谈你对4D毫米波雷达相对于传统3D雷达的优势和局限性的理解