大众汽车
ADAS Data Development
ADAS Data Development
发布于 5 个月前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
学历未注明
软件工程
云平台
传感器数据
分布式系统
大数据处理
ADAS
AI 估算 · 35k–55k
该职位要求资深后端与大数据技能，且处于自动驾驶前沿领域，技术门槛高、市场需求大，因此薪资竞争力强。
职位详情
关于这个职位
这是一个专注于高级驾驶辅助系统（ADAS）数据开发的后端工程师职位
你将负责构建和管理大规模传感器数据处理管道，优化数据采集与传输系统，并开发高可用的数据服务API
核心工作涉及分布式计算、云平台部署以及与自动驾驶硬件的数据交互，旨在为大众汽车集团在中国的ADAS功能开发提供坚实的数据基础
最低要求
工作经验：3年以上专业后端开发经验
精通Python或Java及其主流生态系统（如Spring Boot），能够构建复杂的应用程序和生产级代码
必须同时拥有另一种语言的项目经验（至少一个项目）
具备SQL数据库（如MySQL）和NoSQL数据库（如Elasticsearch, TDengine, Redis）的实践经验
扎实理解分布式系统原理
拥有大数据技术（如Apache Spark, Kafka, Flink, Dask）处理大规模数据的实践经验
具备公有云服务的实践经验，熟悉其对象存储、文件存储、计算和网络服务
熟练使用Docker和Kubernetes等容器编排平台
有构建REST API的经验
了解gRPC和ProtoBuf，并掌握服务发现、负载均衡等相关技术
能够在Linux环境下进行系统编程和调试
有与硬件外设交互的经验（例如，通过以太网、USB、CAN接口读取数据）
有处理高吞吐量I/O、进程间通信或多线程编程的经验
工作职责
作为ADAS/AD项目的SE专家，负责战略性和操作性任务
参与并领导整个技术开发生命周期，从客户需求规范到系统设计、解决方案实施，直至项目发布，与跨职能团队合作，确保系统的质量、性能、安全性和成本效益
管理和优化分布式计算任务，构建高吞吐量的数据摄取、计算、存储和查询服务
为回放、数据管理和报告系统开发API
使用SQL和NoSQL数据库设计和优化数据模型，并将其与现有的遗留Java系统集成
使用Docker和Kubernetes在云平台上部署和管理服务
数据管道开发：构建和优化多模态传感器数据预处理管道
优化数据记录器软件，负责高效地从摄像头、激光雷达、雷达、GPS/IMU等外围设备收集和缓存传感器数据
为在线和离线数据传输构建可靠的解决方案
AI 洞察
优缺点分析
优点
- 平台优势：加入大众汽车旗下的CARIAD，能接触全球领先的汽车技术与真实的自动驾驶项目，行业前景广阔
- 技术栈前沿：工作涉及大数据、云原生、传感器融合等热门技术，技能积累具有很高的市场价值和通用性
- 项目完整：有机会参与从需求到发布的完整开发周期，对系统级工程能力和项目管理经验是很好的锻炼
- 行业标准严格：汽车行业对安全性、可靠性和合规性要求极高，开发流程严谨，可能不如互联网行业灵活
- 适合拥有3年以上后端开发经验，对大数据和分布式系统有浓厚兴趣，并希望进入智能汽车/自动驾驶领域发展的工程师
缺点 / 挑战
- 技术复杂度高：需要同时处理分布式系统、大数据流水线、硬件接口和云平台，技术栈宽且深，学习压力大
- 跨领域协作：作为数据后端，需与算法、硬件、测试等多个团队紧密配合，沟通成本和协调难度较高
角色解读
- 技术纵深发展：可以从数据开发工程师成长为大数据架构师或云原生专家，负责更复杂的系统设计与技术选型
- 领域专家路线：深入自动驾驶数据领域，成为ADAS数据平台或感知数据处理的专家，主导技术方向
- 技术管理转型：积累项目管理和跨团队协作经验后，可转向技术经理或项目经理，负责团队和技术交付
- 负责ADAS传感器（摄像头、激光雷达等）数据的采集、缓存、预处理和传输管道开发，构建高效可靠的数据基础
- 开发和管理高可用的后端数据服务，包括API、分布式计算任务以及基于SQL/NoSQL的数据存储与查询系统
- 使用Docker和Kubernetes在云平台上部署、运维数据服务，确保系统的稳定性和可扩展性
- 与硬件团队协作，处理来自以太网、CAN等接口的传感器数据，并进行系统级的集成与调试
- 扎实的后端开发能力，精通Python或Java，并熟悉另一种语言，能使用Spring Boot等框架构建生产级应用
- 深入理解分布式系统和大数据技术栈，如Spark、Kafka、Flink，并有处理海量数据的实践经验
- 熟练掌握云原生技术，包括Docker、Kubernetes的容器化部署，以及主流公有云（AWS/Azure/GCP）的服务使用
- 具备系统编程和硬件交互能力，能在Linux环境下调试，并理解传感器数据协议（如通过CAN总线读取）
申请策略
- 深入了解大众汽车集团及CARIAD在自动驾驶领域的战略布局和最新技术动态，在面试中展现出你的行业洞察
- 准备1-2个能体现你解决复杂技术问题、推动项目落地或进行有效跨团队协作的详细案例，用STAR法则组织
- 重点展示与大数据处理（Spark/Kafka/Flink）和分布式系统相关的项目经验，详细说明数据规模、技术选型和解决的问题
- 突出后端开发能力，用具体案例说明如何使用Python/Java构建高可用、高性能的服务或API
- 如果有云平台（AWS/Azure/GCP）部署运维经验，或容器化（Docker/K8s）实践经验，务必清晰列出并量化成果
- 任何与硬件交互、传感器数据采集或汽车相关（如CAN总线）的项目经验，都是极具竞争力的加分项，应单独强调
- 如果对汽车协议不熟，可以提前了解CAN总线、AutoSAR或一些基本的车辆网络知识
- 加强对一种主流公有云（如AWS）核心服务（EC2, S3, EKS等）的实操理解，最好能有一个简单的部署demo
面试指南
- 对于技术问题，采用‘场景-方案-权衡-结果’的结构：先说明业务背景和目标，再阐述你的技术方案和选型理由，分析方案的优缺点，最后用可量化的结果（如性能提升、成本降低）证明有效性
- 对于系统设计或故障排查问题，展现结构化思维：先定义问题和范围，然后分层（如网络、服务、数据、资源）或分模块进行假设和验证，最后总结根本原因和优化措施
- 请详细介绍一个你处理过的最复杂的大数据项目，你用了哪些技术（如Spark/Flink）？遇到了什么挑战？如何解决的？
- 如何设计一个高可用、可扩展的微服务API？你会考虑哪些因素（如服务发现、负载均衡、容错）？
- 如果传感器数据上报延迟突然增高，你的排查思路是什么？可能涉及数据流水线、网络、存储或计算哪个环节？
- 请比较一下你使用过的SQL和NoSQL数据库，在什么场景下你会选择其中之一？
- 你如何保证数据从车端采集到云端处理整个链条的数据一致性和可靠性？
- 深入复习简历中提到的每一个技术点和项目细节，确保能清晰、有条理地阐述你的角色、贡献和技术决策
职位点评
Watch Jobs