【北斗】自动驾驶感知算法工程师

优缺点分析

角色解读

• 从算法工程师成长为自动驾驶领域专家，主导核心算法模块的研发
• 向技术Leader发展，带领团队攻克复杂技术难题，推动技术迭代
• 横向拓展至机器人、具身智能等相近领域，拥有广阔的职业选择
• 设计和实现端到端自动驾驶模型，融合多传感器数据直接输出驾驶决策
• 应用大语言模型、视觉语言模型、强化学习等方法提升模型泛化性和鲁棒性
• 构建世界模型，用于生成高质量稀缺数据和闭环仿真测试
• 研究并落地大规模三维重建算法（如VGGT、3D Gaussian Splatting），提升场景理解能力
• 扎实的深度学习和计算机视觉基础，熟悉常见网络架构和训练技巧
• 熟练使用PyTorch或TensorFlow，具备独立实现和调试模型的能力
• 具备科研能力，能阅读前沿论文并复现改进，有论文发表或竞赛经历优先
• 熟悉多模态大模型、端到端自动驾驶、世界模型或三维重建等方向之一

申请策略

• 关注美团无人车部门的技术博客或公开分享，了解团队技术方向和成果，在面试中展现热情
• 准备1-2个与岗位职责高度相关的技术方案，展示解决问题的思路和能力
• 突出端到端自动驾驶、多模态大模型、三维重建等相关项目经验，说明具体贡献和效果
• 列出发表的论文、竞赛奖项，尤其是NeurIPS/CVPR等顶会论文，这是强有力的加分项
• 强调熟练使用的深度学习框架（PyTorch/TensorFlow）和编程能力，可附上GitHub链接
• 展示对自动驾驶行业的理解，以及为何选择美团无人车业务
• 补强多模态大模型（如LLaVA、COT）和强化学习的基础，阅读相关顶会论文并尝试复现
• 学习世界模型和3D Gaussian Splatting等最新技术，动手实现小型Demo

面试指南

• STAR法则：描述项目背景、你的具体任务、采取的行动、取得的量化结果
• 对比分析法：针对技术选型问题，比较不同方案的优劣，结合场景说明你的选择
• 结构化思维：先给出总体思路，再分点阐述关键步骤和考量因素
• 请详细介绍你参与过的端到端自动驾驶或相关项目，遇到了哪些挑战，如何解决的？
• 如何将大语言模型（如LLaMA）应用到自动驾驶决策中？请给出具体思路
• 为什么在三维重建中选择使用3D Gaussian Splatting而不是NeRF？优缺点是什么？
• 请解释世界模型在自动驾驶中的角色，以及如何训练一个世界模型？
• 如何在真实场景中评估和提升端到端模型的鲁棒性？