筑愉
感知算法工程师（语义地图方向）
感知算法工程师（语义地图方向）
发布于 6 个月前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
硕士
软件工程
机器人感知
计算机视觉
语义分割
numpy
OpenCV
ROS
语义地图
AI 估算 · 25k–45k
一线城市感知算法工程师，机器人语义地图方向，紧缺技术人才，高薪。
职位详情
关于这个职位
这是一个专注于家用机器人领域的感知算法工程师职位，核心工作是将视觉感知模型（特别是语义分割和深度信息）融合起来，构建稳定、一致的局域语义地图，为机器人在复杂环境中的决策提供依据
你将与规控团队紧密合作，定义面向业务场景的语义地图表示，并维护清晰的数据接口，同时需要追踪前沿算法，参与长期技术预研
最低要求
硕士及以上学历，计算机、电子工程、自动化、应用数学、信息处理等相关专业
扎实的数学背景，能熟练运用空间解析几何分析实际问题
具备合格的代码编写能力，熟悉Python/C++语言，了解Eigen/NumPy/OpenCV等常用数值计算库以及ROS等嵌入式机器人应用开发框架
了解图像识别/分割领域的基本算法及其在语义地图构建方向的具体应用
具备良好的编程风格习惯、文档撰写能力、团队协作和沟通表达能力
具有创新精神，学习能力强，能够阅读英文学术文献
工作职责
在家用机器人应用中落地视觉感知模型，融合语义分割和深度信息为稳定、一致的局域语义地图以提供复杂环境中有效决策的依据
与规控团队合作，构建面向业务场景的语义地图表示、维护清晰易用的数据接口
追踪感知算法新模型与方法，参与长期技术迭代预研
AI 洞察
优缺点分析
优点
- 处于前沿技术领域：专注于家用机器人感知，是人工智能和机器人技术结合的热点，技术积累价值高，行业前景广阔
- 完整的技能闭环：工作涉及从算法研究、工程实现到与规控系统联调的完整流程，能全面提升技术视野和解决复杂问题的能力
- 明确的业务价值：所构建的语义地图直接服务于机器人的智能决策，工作成果可见度高，与产品最终体验紧密相连
- 适合对机器人技术充满热情，具备扎实算法和工程能力，并希望在软硬件结合的复杂系统中解决实际问题的工程师
缺点 / 挑战
- 技术难度高：需要融合计算机视觉、几何计算和机器人学等多领域知识，对算法的鲁棒性、实时性要求苛刻，技术挑战大
- 跨团队协作要求高：需要与规控团队紧密配合，对沟通能力和对机器人整体系统的理解有较高要求
- 快速迭代压力：技术发展日新月异，需要持续学习并跟进最新论文，保持技术敏感度和创新性，有一定学习压力
角色解读
- 技术专家路径：在机器人感知与语义地图领域深耕，成为算法落地和系统集成的专家，主导更复杂的环境理解技术方案
- 技术管理路径：随着经验积累，可以转向技术管理，带领感知算法团队，负责技术规划、项目管理和人才培养
- 跨领域拓展：基于对机器人整体系统的理解，可以向机器人决策规划、SLAM（同步定位与地图构建）或更通用的自动驾驶感知等领域拓展
- 你将负责将前沿的视觉感知算法（特别是语义分割）与深度信息融合，为家用机器人构建能够理解环境的局域语义地图
- 你需要与机器人规控（规划与控制）团队协作，设计并维护一套服务于具体业务场景的语义地图数据表示和接口
- 你的工作还包括持续跟踪计算机视觉和机器人感知领域的最新研究，评估并预研新技术，推动团队长期的技术迭代
- 扎实的计算机视觉和图像处理基础，特别是对语义分割、深度估计等算法有深入理解和实践经验
- 强大的工程实现能力，熟练掌握Python/C++，并能运用Eigen、NumPy、OpenCV等库以及ROS机器人框架解决实际问题
- 良好的数学功底，尤其是空间解析几何，能够将算法理论转化为对机器人空间感知和地图构建的实际解决方案
申请策略
- 在申请前，可以主动了解家用机器人行业的主流玩家、技术难点和发展趋势，在面试中展现出你对行业的认知
- 仔细阅读职位描述，准备1-2个你过去项目中遇到的、与‘语义理解’或‘多传感器融合’相关的技术难题及解决方案，以备面试深入讨论
- 重点展示与计算机视觉、语义分割或SLAM相关的项目经历，详细说明你在其中的角色、使用的技术栈（如PyTorch, TensorFlow, OpenCV）和取得的量化成果
- 突出你的工程实践能力，列举你使用Python/C++、ROS以及相关库（Eigen, NumPy）完成的具体开发任务或系统模块
- 如果有机器人、自动驾驶或相关领域的实习、比赛或开源项目经验，务必详细描述，这是极大的加分项
- 在技能部分明确列出职位要求的关键词，如语义分割、深度估计、ROS、空间几何等，并通过项目经历佐证
- 如果对ROS机器人操作系统不熟悉，建议通过官方教程和模拟仿真项目（如Gazebo）快速上手，理解其通信机制和常用工具
- 深入复习计算机视觉基础知识，特别是语义分割的经典网络（如FCN, U-Net, DeepLab系列）和最新进展，并能阐述其原理
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策、解决问题的过程和最终效果
- 对于技术方案题，可以先从问题定义和核心目标出发，然后分步骤阐述技术选型、算法流程和关键考量（如精度、效率、鲁棒性），最后可以讨论可能的优化方向
- 对于知识性问题，在准确回答的基础上，可以适当关联到自己的项目经验或对行业应用的思考，展示知识的深度和应用能力
- 请详细介绍一个你参与的、与计算机视觉或语义理解相关的项目，你在其中负责什么，遇到了什么挑战，如何解决的？
- 如何将2D图像中的语义分割结果与深度图（或点云）融合，构建一个3D的语义地图？简述你的技术思路
- 你了解哪些经典的语义分割网络（如DeepLab, U-Net）？请比较它们的优缺点和适用场景
- 在ROS框架下，如何设计一个高效、可靠的模块，来发布和维护实时更新的语义地图数据供其他模块（如规控）使用？
- 你平时如何跟踪学术界的最新进展？最近读过哪篇让你印象深刻的与机器人感知或语义地图相关的论文？
职位点评
Watch Jobs