第1章 岗位能力画像与简历优化模板
本章帮你构建自动驾驶感知系统工程师的完整能力地图，梳理简历关键词与量化句式，并通过3个高频面试问答示范如何将能力转化为面试加分。建议先掌握结构化的岗位能力画像，再逐项对照优化简历。
岗位能力画像
| 能力维度 | 核心要求 | 面试高频考察点 |
|---|---|---|
| 传感器融合 | 多传感器（Camera/Lidar/Radar）时空同步、融合算法 | 外参标定、时间戳对齐、融合后处理 |
| 深度学习 | 目标检测/分割/跟踪模型，训练与调优 | 模型选型、Loss设计、数据增强 |
| 点云处理 | PointNet++、VoxelNet、CenterPoint等 | 点云特征提取、稀疏卷积、BEV感知 |
| 工程部署 | TensorRT、ONNX、量化、C++工程落地 | 推理加速、端到端延迟优化 |
| C++ / Python | 熟练使用，能写高性能模块 | 多线程、内存管理、代码设计模式 |
| 系统思维 | 理解整车架构、时序、安全冗余 | 系统级问题排查、Fail-safe设计 |
简历关键词清单
- 感知算法 YOLO、CenterNet、PointPillar、CenterPoint、BEVFormer
- 传感类型 相机(LiDAR)雷达、多模态融合、时间同步
- 工程工具 TensorRT、ONNX、NVIDIA DriveWorks、ROS2、Eigen
- 性能指标 mAP、Recall、Precision、FPS、延迟、吞吐量
- 优化方向 模型剪枝、量化、知识蒸馏、CUDA编程
成果量化句式（简历可迁移模板）
- 将感知模型推理延迟从 35ms 降至 18ms，提升车辆响应速度 48%
- 通过数据增强与模型结构改进，使目标检测 mAP 提升 5.2%（从 78.6% 到 83.8%）
- 搭建多传感器融合时间同步模块，定位误差降低 60%
- 独立完成PointPillar部署，单帧处理时间 12ms，满足实时性要求
面试问答卡片
Q1：请描述你如何优化一个感知模型的推理速度？
回答框架：
- 明确目标：延迟要求（如≤20ms）及硬件平台（Orin / Xavier）
- 瓶颈分析：Profiling找出耗时算子（NMS、卷积、数据预处理）
- 具体优化手段：TensorRT FP16/INT8量化、算子融合、减少冗余计算
- 效果验证：A/B测试，确保精度与速度平衡
示例回答：
以CenterPoint部署为例，我首先用Nsight Systems定位瓶颈在BEV编码器和NMS。然后采用TensorRT FP16量化，将BEV卷积层融合，并实现自定义NMS kernel。最终单帧推理从28ms降至15ms，mAP仅下降0.3%。
可能追问：
- INT8量化如何处理校准集与尺度敏感问题？
- 如何保证加速后不会出现偶发超时？
不要只谈理论框架，必须结合实际项目和具体数值；避免只说“用了TensorRT”没有量化精度对比。
Q2：你在多传感器融合中如何处理时间同步问题？
回答框架：
- 理解问题：不同传感器采样频率与传输延迟不同
- 软硬件同步方案：硬件PTP授时 + 软件时间戳对齐
- 具体实现：基于最近邻/插值法将Lidar点云匹配到最近Camera帧
- 异常处理：丢帧检测、缓存策略、超时回退
示例回答：
在项目中使用PTP同步硬件时钟，Lidar与Camera均启用硬件时间戳。软件层维护一个5帧滑动窗口，对每个Lidar帧查找时间最近的Camera帧，通过外参投影后融合。额外设置100ms超时，超时则丢弃该帧并记录日志。
可能追问：
- 如果Camera帧率是30Hz，Lidar是10Hz，如何保证每个Lidar帧都能找到匹配？
- 时间戳精度如何验证？
避免只说“时间戳对齐”而无具体实现细节；突出异常处理与性能开销；注意区分基于消息队列与基于时钟的同步方式差异。
Q3：你的简历中提到提升mAP 5%，具体是怎么做到的？
回答框架：
- 基线分析：找出当前模型的不足（小目标、遮挡、夜间场景）
- 改进方向：数据增强、模型结构、损失函数
- 实验验证：Ablation study，每个改进单独验证
- 最终效果：mAP从78.6%到83.8%，同时Recall提升
示例回答：
基线是CenterPoint，夜间与遮挡场景mAP仅65%。我添加了RandomBrightnessCutMix等增强，将夜间样本提升3倍；并将回归损失从L1改为IoULoss，最后通过多尺度特征融合提升小目标Recall。每项改进通过消融实验验证累计贡献。
可能追问：
- IoULoss相比L1在哪些场景有优势？
- 你的消融实验顺序是否影响最终结论？
不要只给出结果数字，要突出分析方法；避免“加了数据增强就提升了”这种模糊表述；强调每一步的量化贡献，并准备好失败案例。