1. 岗位能力画像与简历优化模板
自动驾驶感知研发工程师需要融合算法、工程与业务理解。本章帮你梳理岗位核心能力，并提供可直接复用的简历结构、关键词清单和成果量化句式，让你的简历在筛选中脱颖而出。
简历结构模板
推荐结构（HR阅读时间约15秒）：
- 个人信息：姓名、手机、邮箱、GitHub/技术博客（可选）
- 教育背景：时间倒序，GPA≥3.5/4.0可标注，相关课程（CV、机器学习）
- 技术栈：分语言/框架/传感器/工具四栏，用·分隔
- 项目经历：3-4个，按 STAR 展开，每点一句成果量化
- /专利/开源贡献：列出标题、会议/期刊、贡献
关键词清单
| 类别 | 关键词 |
|---|---|
| 算法 | 目标检测 (YOLOv8/PointPillars)、语义分割、BEV感知、多任务学习 |
| 融合 | 多传感器融合 (LiDAR+Camera)、时间同步、空间对齐、后融合/特征融合 |
| 部署 | TensorRT、ONNX、量化、剪枝、前向优化、嵌入式平台 |
| 工具 | ROS、C++ (C++11/14)、Python、Linux、Git、Docker |
成果量化句式（适配 STAR）
- S（情境）：在XX量产项目中，负责环视摄像头感知模块
- T（任务）：需在低算力平台实现实时目标检测，延迟≤30ms
- A（行动）：引入轻量级Backbone+TensorRT加速，设计FP16量化方案
- R（结果）：mAP保持85%的同时推理延迟降低40%，顺利通过SOP评审
面试问答卡片
Q1：请描述你在感知项目中的具体贡献？
考察点：STAR表达、成果量化能力、对业务指标的敏感性。
回答框架：情境（项目背景）→ 任务（你的具体职责）→ 行动（技术方案）→ 结果（量化指标）。
示例回答：“在L2+辅助驾驶项目中，我负责侧向感知模块。针对角雷达漏检问题，设计了多帧置信度累积策略，将低速目标召回率从82%提升至96%，误报率下降30%。该方案已在30万+台车辆部署。” （约90字）
可能追问：为什么选择多帧累积而不是卡尔曼滤波？误报率的具体定义是什么？
Q2：你的简历中提到使用了多传感器融合，能详细讲讲吗？
考察点：融合方案的理解深度、工程实现细节、常见问题处理。
回答框架：融合层级（数据级/特征级/决策级）→ 传感器标定与时序同步 → 具体算法（如投影、注意力）→ 难点与解决方案。
示例回答：“我们采用特征级融合：利用LiDAR BEV特征引导Camera图像注意力，生成BEV特征。关键难点是投影误差，我设计了可学习的空间矫正层，使融合AP提升3.2%，成功通过雨夜路测。” （约85字）
可能追问：如何处理Camera和LiDAR的帧率不同步？矫正层的参数数量与泛化性？
Q3：你如何保持对前沿感知技术的跟进？
考察点：学习能力、技术视野、主动性。
回答框架：信息获取渠道 → 实践验证方式 → 内部分享或开源贡献。
示例回答：“我每天刷arXiv‘CV/自动驾驶’分类，精读周报。看到TransFuser的端到端方案后，我搭了一个简易版本复现，发现仿射变换层在实车上有抖动，记录后写进团队实验日志。” （约90字）
可能追问：你对最新BEVFormer++怎么看？有没有尝试在你们项目中使用？