自动驾驶

内推码: 8MURB6Y投递链接: https://xiaopeng.jobs.feishu.cn/s/UK5Vfl8fJzg​https://mp.weixin.qq.com/s/Kq_P4UC9j1MM1xZ8kBbgIQ

可帮查进度 广州橙行智动汽车科技有限公司校招内推码: WTQ1HCT投递链接: https://xiaopeng.jobs.feishu.cn/s/xigq6KH0X3k15大岗位类别 300+投递方向广州 | 深圳 | 上海 | 北京 | 肇庆 | 武汉 | 美国 | 荷兰 | 德国 | 挪威 | 丹麦自动驾驶板块 数据智能板块 制造与工艺板块 测试板块 智能机器人板块 动力三电板块 造型板块 芯片板块 智能座舱板块 汽车研发板块 质量与安全板块 营销服板块 新零售板块 国际营销服板块 职能板块

最新更新：2506放在前面的一些话：帖子暂时停止更新，如果想问算法秋招或者让我帮忙看简历的可以直接私戳（无偿）。25年整个秋招感觉下来目前算法需求量比较大的方向就是三个：自驾，多模态，大模型。其他的像传统的cv方向岗位已经很少了，这个从每家的招聘岗位就能看出来来去年找实习和秋招其实没有找到太多自驾的经验贴，更多都是自己在摸索，希望这一篇帖子能够给下一届希望进入算法或者自驾方向的同学一点点信息bg：双9本硕+1自驾实习经历+1b会offer：美团，百度，阿里，蔚来，极氪，零跑，旷视，商汤，小马智行，卡尔动力，轻舟智航，比亚迪，tplink，科大讯飞，贝壳找房，一汽自驾…防开盒有些细节就不展示了，同校的uu如果想了解offer细节可以私戳我秋招面试经验（个人经验：1.代码：面试的过程中感觉整体自驾中大厂对于leetcode难题的需求比往年低，我整个秋招只遇到过hot 100中的几道hard，其他的大部分都是hot100中的medium，还有一些是没见过的medium或者easy，但是基本都不算难。有些面试官喜欢就实际问题出一些独特的代码题，这种lc也根本刷不到，也没必要特殊准备。还有些会考察pytorch和numpy的基本使用，这里主要会考察广播机制的使用。transformer的默写是最常考到的题了，建议直接把vit的代码背下来，直接默写有好几个面试官在面试到最后就只是把代码考核走个流程，出个hot100的medium，这种一般就是通过前面的项目经历就已经有决定了，代码只是公司要求的流程。2.项目/八股：秋招很容易遇到小同行面试官，所以一旦发现对方是小同行的时候尽量别想着糊弄过去了，一旦对方发现你在含糊，直接可能心里就挂了。还不如解释清楚哪里具体是自己负责的，哪里没有那么清楚。比如我之前实习主要是做端到端的算法模型，对于交付和数据预处理就没有那么清楚。校招的面试官也不会要求你面面俱到，有一部分做的比较精了就可以。常见的问题：你具体做了哪部分？业界或者学术界针对这个问题这几年的发展是怎么样的？你在实现过程中遇到了什么问题？具体怎么解决的？你还有哪些自己的思考？八股来说不用拿一本花书或者西瓜书去背，我觉得意义没那么大，但是基本的梯度下降，优化器，正则化，还有cnn和transformer的基本原理肯定是要非常熟的，这些也是实际会用的，不算八股3.自驾行业（个人观点，updating（25年中旬）我个人目前对纯端到端解决L4在一年内呈相对悲观的态度，自驾与很多其他的dl任务最大的不同就是安全性。但是模型的长尾问题在短期内靠端到端模型本身的精度解决本身就是很大的。在当前经济形势这么差的时候，很多的车企完全可以通过常年积累的issue set+后处理实现托底，然后先苟到经济形势好的时候。纯通过网络迭代进行metric提升究竟能不能反馈到安全性上还是需要时间和很大的成本验证的。这也是最近端到端貌似没有那么火的原因（24年下半年）目前大部分自驾厂商都在推端到端了，所以端到端和大模型是25秋招最火的几个方向，也是hc相对比较多的。4.面试应对技巧（updating这一部分是我在面试过程中总结的如何让不同的面试官都能get到你的能力小同行（细节方向一致）：大同行（自驾方向）：大大同行（算法方向）：不同行（hr）：后续关于自驾的学习路线还有一些自驾方向的问题随缘更吧

首先感谢文远某HR，回复速度很快，属于秋招到现在遇到最好的几个HR之一（虽然文远HR整体很抽象）一面：问项目，问实习经历蔚来实习这段问得很细，基本就是整个项目打碎一块一块问；Momenta的实习因为描述得比较详细所以没怎么再深入提问手撕：线段求交点写得一般，有点混乱，被问到是否可以减少拷贝复制，赶紧回答自定的struct可以指针传，其它参数可以传const引用，面试官说问题不大二面：面试约得很早（7~9点），面试官人在美国，早上起个大早脑子不清楚，对着面试官直呼HR偏向聊天，问两段实习中的难点和亮点1. 问对于基于规则的lidar点云前处理过程中使用OD印证是否会存在循环推断2. 问基于极坐标系的恒定步长采样存在什么问题，是否有其它解决方法3. 问我本科专业和硕士专业为我从业带来哪些相关方法或者优势（本科力学，硕士土木），只能乱扯说涉及到矩阵论方法和大量几何相关算法，而且车辆从传感器数据辨识到操控本质也是非线性动力学系统说得自己绷不住了手撕：写一个shared_ptr，实现拷贝构造、析构、委托构造，并验证引用计数对不对这块写得磕磕巴巴，准备了半天算法结果是写类，最后本来要让我写线程安全的引用计数，时间不够没写。疑似这里要挂我了，写着写着给面试官写麻了三面：纯coding，没笔试是吧，这里等着呢😡1. emplace_back(move()), push_back(move()), emplace_back(), push_back()速度排序2. 描述下vector底层实现，扩容是怎么扩容的，扩容的时候有哪些构造方式3. reserve和resize什么区别，没有默认构造、拷贝构造只有移动构造等的自定义类可以resize吗4. 引导计算：扩容复杂度，总共移动多少次？元素总共构造多少次？对元素的总操作次数多少次？从空vector开始一直emplace_back的期望复杂度（或者平均复杂度）是多少？（涉及到一个幂级数求和）5. 手撕，一个array，有若干个数字，一些query，表示区间端点，需要对区间求和。array中的元素可以任意乱序存在，问所有query的最大值是多少。刚开始想区间合并，后来经提示发现没必要，写得很丑陋，要得能当场调出来，他们assert样例都准备好了...调是调出来了，但是被指出有很多多余的操作，有点寄四面：仍然是美国面试官，貌似是大leader，压力很大1. 如何避免梯度消失？（要求4种+的解决方法...）2. batch normalization是啥？给下公式3. resNet听过吗，解释下？4. 手撕：写一个哈夫曼树问：你这个树1w个节点占多大内存？（说字节和kb都不行，非要说mb...）你这个树对于1000个叶子结点总共会有多少个结点？（答不出来）我宣布第四面是目前最搞心态的一场面试，也不问项目履历，就追着深度学习问，手撕也是以前几乎没怎么练过的，再加上早上7点开面6点半起了个大早，压力非常大，还有就是那种在技术高手眼皮下的无处遁形感而且貌似和面试官有沟通问题，他的问题重复三四遍都没听懂最寄的一集--------更新：四面挂......

我们是智能驾驶里的 AI 模型 算法&预研部门，负责问界智界享界尊界阿维塔等所有搭载华为智驾的车的所有 AI 模型的研发。这里资源丰富（有超五万训练卡），大牛云集（团队有 7 个天才少年，来自 MIT、CUHK mmlab、清华姚班等），基础设施完善， 技术氛围浓厚，扁平自由。AI模型训练优化工程师职责：1.承担训练加速优化，缩短模型训练周期，提升训练卡资源利用率;2.构建大规模集群训练高性能流水线，持续优化计算、通讯、数据加载等过程的效率;3.结合业界前沿高效低成本训练方案，结合AI模型突破新的加速技术;要求：1. 有扎实的编程基础和算法基础;2. 熟悉AI模型时延和效率的分析、拆解、调优方法。3. 有大规模集群上的训练经验，熟悉并行策略、底层通讯机制以及调优经验优先。AI模型部署优化工程师职责：1. 承担车端推理效率优化，在确保精度的情况下，提升模型的推理效率;2. 构建AI模型压缩核心算法，设计和构建硬件亲和的模型稀疏、剪枝、蒸馏、量化等压缩能力;3. 紧跟业界前沿模型压缩方案，结合AI模型不断提升模型时延、内存带宽等指标;4.结合昇腾NPU芯片架构和AI模型算法，持续设计和构建芯片训推亲和的组件，提高训练、推理时的芯片利用效率;要求：1. 有扎实的编程基础和算法基础;2. 掌握AI的剪枝、蒸馏、稀疏、量化等压缩算法。3. 有在车、手机等端侧设备上部署AI模型工作经历。感知算法工程师：职责：1.承担视觉感知相关的神经网络设计、开发、部署和迭代；2.承担道路结构认知、障碍物检测、属性检测、场景分类、传感器异常检测等核心算法模块的交付，加速产品的商用化落地；3.结合业界前沿和实际应用问题，推动新算法预研和落地；要求：1. 有扎实的编程基础和算法基础;2. 有图像处理，几何视觉等计算机视觉技术相关基础；3. 有扎实的视觉感知算法基础，熟悉各子领域经典算法，包括但不限于2D检测分割，BEV感知，道路结构认知，3D重建，光流等，知识面广泛；4. 有车载相关领域或神经网络训练和数据挖掘经验优先。base ：上海简历发送至：taojiangpeng@huawei.com（邮件标题：姓名+内转/社招+研究方向）社招只考虑17级及以上高职级内转欢迎直接私聊