1. 岗位能力画像与简历优化模板
自动驾驶感知算法工程师的面试竞争激烈，HR和面试官在简历筛选中平均停留时间仅10-15秒。本章帮你建立清晰的岗位能力画像，掌握简历结构化表达与关键词清单，让面试官一眼判断“此人匹配”。
一、简历结构模板
采用“倒金字塔”结构，每段经历用STAR（情境-任务-行动-结果）框架展开，并嵌入关键词清单。
| 简历模块 | 内容要点 | 关键词示例 |
|---|---|---|
| 个人信息+教育背景 | 学校、专业、GPA（>3.5可写）、核心课程 | 计算机视觉、机器学习、自动驾驶 |
| 项目/实习经历 | 每个项目2-4条STAR，量化结果突出指标 | mAP、FPS、延迟、召回率 |
| 竞赛/ | CVPR/ICCV/NeurIPS等，kaggle前10% | Top-1%、开源贡献 |
| 技能 | 编程语言、框架、工具链 | PyTorch、TensorRT、ROS2、CUDA |
二、关键词清单（算法方向）
- 感知任务：2D/3D目标检测、语义/实例分割、多目标跟踪、BEV感知、Occupancy Network
- 传感器：LiDAR点云、Camera图像、Radar、IMU、时间戳同步
- 模型优化：知识蒸馏、模型量化（INT8/FP16）、剪枝、ONNX、TensorRT
- 场景理解：corner case长尾分布、OOD检测、数据增强、自动标注
- 部署与系统：端到端延迟优化、多线程流水线、中间件（ROS2/CyberRT）
三、成果量化句式模板
| 要素 | 推荐句式 |
|---|---|
| 提升性能 | 通过引入XXX，将3D检测mAP从65.2%提升至68.7%（+3.5pp） |
| 降低延迟 | 针对嵌入式平台优化，推理延迟从35ms降至18ms（降低48.6%） |
| 解决长尾 | 基于主动学习筛选1000+罕见场景，召回率由62%提升至79% |
| 工程落地 | 设计并实现多传感器融合pipeline，支持10路摄像头+5路激光雷达实时处理 |
四、面试问答卡片
📌 面试问题1：请简单介绍一下你自己，以及为什么想做自动驾驶感知？
🎯 面试官考察点：自我定位清晰度、对岗位的理解、动机真实性、表达逻辑。
🧠 回答框架：背景（院校+方向）→ 核心技能 → 项目匹配点 → 动机（技术热爱+行业愿景）
📝 简短示例回答：“我硕士主修计算机视觉，曾在XX实验室负责3D目标检测项目，使用CenterPoint在nuScenes上达到mAP 68.2%。我对自动驾驶感知的实时性和鲁棒性挑战很感兴趣，希望用算法解决corner case问题，推动自动驾驶量产落地。”
🔍 可能追问：你觉得自动驾驶感知最大的技术挑战是什么？
📌 面试问题2：你的简历中写到了BEV感知项目，请用两分钟详细讲一下。
🎯 面试官考察点：项目真实性、深度理解、量化结果、技术选型能力。
🧠 回答框架：STAR结构（场景：多传感器融合需求；任务：实现实时BEV检测；行动：基于LSS方案改进；结果：mAP +4.2%，延迟降至28ms）
📝 简短示例回答：“项目背景是无人小车夜间感知，我们采用Lift-Splat-Shoot将多相机特征投影至BEV。我负责优化视锥特征提取，引入可变形注意力降低计算量，最终在Jetson Orin上达到28ms/帧，mAP从62.1%提升至66.3%。”
🔍 可能追问：为什么选择LSS而不是Transformer-based方案？BEV的深度估计误差如何处理？
📌 面试问题3：你的简历中有一段实习经历，如何量化你的贡献？
🎯 面试官考察点：成果量化能力、指标选择合理性、数据敏感性。
🧠 回答框架：明确背景-列出关键指标-给出前后对比-强调业务影响
📝 简短示例回答：“在XX公司实习期间，我负责优化目标检测模型在车端部署的延迟。通过模型剪枝+INT8量化，将单帧推理从42ms降到18ms，同时保持mAP下降<1%。该方案最终应用于2023款量产车型，节省约30%算力成本。”
🔍 可能追问：量化后精度下降的原因？你如何选择剪枝比例？