美团
校招【北斗】自动驾驶感知算法工程师
北京/深圳 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 【任职资格】
- 1.计算机科学、人工智能领域，具有扎实的深度学习、计算机视觉/自然语言处理基础；
- 2.具有优秀的编程能力，熟悉PyTorch、Tensorflow等深度学习框架，能熟练进行模型研发和测试；
- 3.具备一定的科研能力，能够承担科研探索工作和先进技术落地推进工作。
- 具备以下优先：
- 1.有训练过端到端自动驾驶模型的经验；
- 2.在设计、训练、评估和部署机器学习模型（尤其是多模态大模型、生成模型等）方面有深刻的理解；
- 3.在NeurIPS/ICML/ICLR/CVPR等会议或期刊上发表过论文；
- 4.获得过国际或国内赛事奖项者。
- 场景重建的具体研究领域需求，具备其中一个或多个：
- 1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先；
- 2.深入了解 3D Gaussian Splatting、NeRF 等场景表达方式，以及其与 Feedforward 重建的结合方向；
- 3.有自监督学习研究经验（如 MAE、DINO、MoCo 等预训练范式，或面向三维场景的自监督深度/位姿估计）。
- 【为什么是我们】
- 1.将算法落地在大规模的实际业务场景；
- 2.前沿的自动驾驶/大模型算法研究机会；
- 3.活跃包容的算法团队和坚实可靠的基础设施；
- 4.拥有自动驾驶积累的海量多模态数据（多相机、LiDAR、高精轨迹），是训练和验证大规模三维重建模型的天然场；
- 5.将参与从模型设计、大规模训练、到自动驾驶系统集成的完整过程。
岗位描述
【岗位职责】
【愿景】
美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从"按规则行驶"进化为"像人一样看懂世界、自主决策"。
【岗位职责】
- 1.端到端自动驾驶建模：参与、设计及实现端到端的自动驾驶建模方法，搭建从传感器数据到行为决策的端到端模型。
2. VLA/VA：将LLM/VLM/COT/RL等方法应用在端到端模型的优化和能力构建上，建设更具备泛化性、可拓展性的自动驾驶算法能力。
- 3.世界模型能力建设：基于传感器仿真算法和状态预测算法，建设高质量稀缺数据生成能力和端到端算法闭环仿真能力。
- 4.大规模场景重建：研究并落地基于大规模 Feedforward 框架的三维重建算法（如 VGGT，3D GaussianSplatting等），探索其在自动驾驶场景中的工程化应用。
【任职要求】
【任职资格】
- 1.计算机科学、人工智能领域，具有扎实的深度学习、计算机视觉/自然语言处理基础；
- 2.具有优秀的编程能力，熟悉PyTorch、Tensorflow等深度学习框架，能熟练进行模型研发和测试；
- 3.具备一定的科研能力，能够承担科研探索工作和先进技术落地推进工作。
具备以下优先：
1.有训练过端到端自动驾驶模型的经验；
2.在设计、训练、评估和部署机器学习模型（尤其是多模态大模型、生成模型等）方面有深刻的理解；
- 3.在NeurIPS/ICML/ICLR/CVPR等会议或期刊上发表过论文；
- 4.获得过国际或国内赛事奖项者。
场景重建的具体研究领域需求，具备其中一个或多个：
- 1.深入理解 VGGT / VGGT-Omega 或同类 Feedforward 3D Reconstruction 方法的原理与实现，有复现或改进者优先；
- 2.深入了解 3D Gaussian Splatting、NeRF 等场景表达方式，以及其与 Feedforward 重建的结合方向；
- 3.有自监督学习研究经验（如 MAE、DINO、MoCo 等预训练范式，或面向三维场景的自监督深度/位姿估计）。
【为什么是我们】
- 1.将算法落地在大规模的实际业务场景；
- 2.前沿的自动驾驶/大模型算法研究机会；
- 3.活跃包容的算法团队和坚实可靠的基础设施；
- 4.拥有自动驾驶积累的海量多模态数据（多相机、LiDAR、高精轨迹），是训练和验证大规模三维重建模型的天然场；
- 5.将参与从模型设计、大规模训练、到自动驾驶系统集成的完整过程。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。