第1章聚焦于岗位能力画像与简历优化模板，帮助你从面试官视角理解招聘需求，并塑造一份高匹配度简历。核心包括：能力维度拆解、简历结构设计、关键词清单、成果量化句式。
一、岗位能力拆解（面试官核心关注点）
| 能力维度 | 具体要求 | 面试高频考察方式 |
|---|---|---|
| 算法与数学基础 | 深度几何、优化理论、概率图模型、Kalman/粒子滤波 | 手撕代码 / 公式推导 |
| 感知核心能力 | 目标检测 / 分割 / 跟踪 / BEV / 融合 / 时序 | 项目深挖 / 最新复述 |
| 工程落地与部署 | ONNX / TensorRT / C++ / CUDA / 量化 / 数据闭环 | 系统设计 / 性能优化题 |
| 业务与场景理解 | corner case、OOD、数据分布、安全冗余、法规 | 场景题 / 长尾问题讨论 |
| 沟通与软素质 | 技术选型汇报、跨团队协作、技术影响力 | 自我介绍 / 项目Owner案例 |
二、简历结构（推荐模块顺序）
- 个人信息 & 技术栈 — 姓名、电话、邮箱、GitHub/博客；技能标签：PyTorch / TensorRT / ROS / C++ / LiDAR / Camera / BEVFormer
- 工作 / 项目经历 — 按 STAR 法则组织，每段突出1-2个核心贡献，如“主导毫秒级3D检测模型在Jetson上部署，延迟<30ms”
- 竞赛与 — Waymo / nuScenes / KITTI 排名；顶会（第一/共一优先）
- 其他亮点 — 开源贡献、专利、技术公众号专栏
三、关键词清单（静默筛选 & ATS匹配）
必须包含：
BEV感知 | Transformer | 多传感器融合（LiDAR+Camera） | 实时部署（TensorRT/ONNX） | 数据闭环（Active Learning/自动标注） | 长尾问题（corner case） | 时序模型（Transformer/LSTM/GRU） | SOTA（YOLOv8 / CenterPoint / PointPillars） | C++ / CUDA / Python
四、成果量化句式（STAR + 数字）
- 通用公式： 通过 [方法]，在 [指标] 上提升 [X%] / 延迟降低 [Y ms] / 召回率提升 [Z%]。
- 示例： "设计基于BEVFormer的端到端感知方案，在nuScenes mAP上提升5.2个点，同时通过TensorRT INT8量化将推理延迟从45ms降至12ms。"
- 示例： "构建自动标注pipeline，将标注效率提升8倍，累计产出200k高质量3D框数据，加速模型迭代。"
💡 小贴士： 每段经历尽量输出2-3个量化成果；如果指标不公开，可用“相对提升”或“业界标杆对比”。
① 面试问题：请用STAR法则介绍一个你最有成就感的感知项目。
考察点
- 项目复杂度（是否涉及传感器融合、时序、部署）
- 个人角色（Owner / Contributor）
- 可迁移能力（解决问题的思路）
回答框架
- Situation： 项目背景（车型、算力约束、场景）
- Task： 你的职责和挑战（如重卡夜间检测、遮挡）
- Action： 技术方案（模型选型、数据优化、部署策略）
- Result： 量化指标（mAP、延迟、召回）
示例回答（85字）
“在L4级重卡项目中，我负责夜间行人检测。针对红外图像低对比度，引入多光谱融合与数据增强，模型mAP提升7%。通过TensorRT FP16部署，延迟<20ms，项目提前交付，最终通过政府路测。”
可能追问
- 多光谱数据如何对齐和标注？
- 在雨天或雾气情况下效果如何？
- 你如何验证模型不会过拟合特定场景？
⚠️ 避坑： 不要只输出指标而忽略技术手段；不要模糊“我们”和“我”的贡献；避免使用“领导要求我”等被动语态。
② 面试问题：目前主流BEV感知方案有哪些？你如何选择与优化？
考察点
- 对学术界和工业界最新进展的跟踪
- 方案对比与选型思维（计算量、效果、场景适配）
- 动手优化细节（如何剪枝、量化、解决数据稀疏）
回答框架
- 明确主流方案： Lift-Splat-Shoot、BEVFormer、BEVFusion、PETR / PETRv2
- 对比关键维度： 是否显式建体素（LSS）、是否用Transformer（BEVFormer）、融合深度
- 选取原则： 算力允许选择BEVFormer，追求实时选择LSS + INT8
- 优化路径： 注意力稀疏化、逐层裁剪、修改输出头适配任务
示例回答（95字）
“我们对比了LSS和BEVFormer，因算力受限选择LSS。通过优化Voxel Pooling用自定义CUDA算子，将前向时间从40ms降至18ms。同时引入时序信息增强速度预测，最终在nuScenes NDS上达到0.52，同时满足20ms实时要求。”
可能追问
- LSS中深度估计的缺陷如何解决？
- BEVFormer的query可解释性如何？
- 有没有考虑过纯视觉方案在夜间失效的备份策略？
⚠️ 避坑： 避免只背诵名字而不谈自己的实践；不要忽略工业落地的“工程细节”（如显存、带宽）。
③ 面试问题：你在感知项目中如何处理长尾问题（corner case）？给出具体例子。
考察点
- 是否理解长尾问题的工程本质（数据不平衡、分布外）
- 数据闭环与主动学习能力
- 模型容错与安全冗余设计
回答框架
- 问题定义： 具体corner case（如倒下的树干、逆光白色车辆）
- 数据分析： 统计频次、误检模式、模型特征
- 解决策略： 数据增强 + 难例挖掘 + 模型结构改进（如增加注意力头）
- 评估验证： 线下指标提升 + 线上路测通过率
示例回答（90字）
“我们遇到了‘异形施工锥’误检为行人的case。分析后发现训练集施工锥占比<0.1%，通过Mosaic增强和Focal Loss重新训练，误检率降低80%。同时增加基于梯形面积的几何规则后处理，最终路测通过率100%。”
可能追问
- 如果增强后仍不足，你下一步会怎么做？
- 如何保证新加入数据不会导致其他case退化？
- 有没有考虑过使用生成模型（GAN/扩散模型）来合成数据？
⚠️ 避坑： 不要只说“增加数据”而忽略“为什么增加这些数据有效”；评估时必须关注“不会使其他指标下降”。