第1章 岗位能力画像与简历优化模板
本章帮助你建立自动驾驶感知工程师的完整能力模型，并掌握简历优化的核心方法。通过能力画像定位差距，借助关键词清单和量化句式提升简历竞争力。
🎯 本章学习目标
- 理解感知工程师的5大核心能力维度及面试考察重点
- 掌握简历结构设计的6个关键模块
- 熟练运用关键词清单提升简历筛选通过率
- 学会用STAR+量化的方式描述项目成果
1.1 岗位能力画像详解
以下表格列出五大能力维度的具体要求与面试考察重点，帮助你针对性补齐短板。
| 能力维度 | 具体要求 | 面试考察点 | 关联技术关键词 |
|---|---|---|---|
| 算法能力 | 2D/3D目标检测、语义分割、BEV感知、多传感器融合 | 算法原理理解深度、改进思路、落地效果 | YOLO, BEVFormer, CenterPoint, PointPillars |
| 编程能力 | C++/Python熟练、CUDA编程、模型部署优化 | 代码质量、性能优化经验、调试能力 | TensorRT, ONNX, CUDA, TensorRT |
| 系统能力 | ROS/ROS2开发、嵌入式系统、实时性优化 | 系统架构设计、模块解耦、时序保障 | ROS, Docker, Linux, 实时系统 |
| 数学基础 | 线性代数、概率统计、3D几何、卡尔曼滤波 | 公式推导、几何变换、状态估计 | 矩阵运算, 贝叶斯, 点云配准 |
| 工程能力 | 数据集构建与标注、A/B测试、自动化评测 | 数据闭环、评测体系、问题定位 | 数据标注, 评测指标, 自动化流程 |
💡 面试策略 面试官会针对每个能力维度追问至少一个项目案例。建议在简历中为每个维度准备一个对应的量化成果故事，做到「维度—项目—指标」一一对应。
1.2 简历结构规范
简历按照以上6个模块顺序排列，其中项目经验和专业技能是面试官重点查看部分。每个模块控制在3-5行，一页纸为最佳。
1.3 关键词清单
以下关键词按类别整理，建议在简历「专业技能」和「项目经验」中自然融入，提升简历筛选通过率。
| 类别 | 核心关键词 | 建议掌握等级 |
|---|---|---|
| 检测算法 | YOLO, CenterPoint, BEVFormer, PointPillars, VoxelNet, Transformer | 熟练 |
| 融合算法 | Camera-LiDAR融合, BEV融合, 特征级融合, 决策级融合, 多模态 | 熟练 |
| 部署优化 | TensorRT, ONNX, INT8量化, CUDA编程, TensorRT算子, 模型剪枝 | 掌握 |
| 工具框架 | ROS/ROS2, Docker, Git, Linux, PyTorch, TensorFlow | 熟练 |
| 传感器 | LiDAR, Camera, Radar, IMU, 超声波, 毫米波 | 了解 |
⚠️ 关键词使用提醒