2023年速腾聚创秋招感知算法岗笔试我前前后后准备了大半个月考完最大的感受是这家的笔试和互联网大厂的感知岗风格差别挺明显非常贴合激光雷达公司本身的技术栈点云相关的内容占比极高纯图像题目相对少一些。如果你是想投激光雷达方向感知岗的这份复盘应该能帮你少走不少弯路。先说下背景给还没投的同学参考速腾聚创RoboSense做激光雷达起家RS-LiDAR系列在自动驾驶圈子里装机量很大所以它的感知算法岗不光是写Detection、Segmentation的深度学习模型更要求你懂点云处理的底层逻辑、标定原理甚至要对雷达的噪声模型有概念。这也决定了笔试的考查范围不会是通用CV那一套而是围绕“激光雷达感知”这个主轴展开。我这次笔试大概花了120分钟题型分了三块选择题填空题、简答题、编程题。整体难度属于中上比纯刷LeetCode型笔试灵活很多尤其简答题部分很考验你对工程问题的理解深度。下面按模块拆开说。1. 笔试前的岗位认知与考点预判1.1 速腾聚创感知算法岗到底考什么投简历之前我先把速腾聚创的感知岗位JD翻来覆去看了几遍。它这个岗位的描述里反复出现几个关键词点云目标检测、语义分割、多传感器融合、BEV感知、模型部署。和互联网大厂不一样的是它对传统点云方法的掌握也有要求比如体素滤波、地面分割这类基础操作很可能是笔试选择题的来源。所以在笔试前我给自己划了一个复习范围点云数据结构、KD-Tree、Voxel、Range Image的优缺点经典点云检测算法PointNet系列、VoxelNet、SECOND、PointPillars深度学习基础卷积网络、注意力机制、损失函数设计多传感器融合Camera-LiDAR标定、时间同步、外参标定原理传统方法RANSAC地面分割、欧式聚类、NDT配准这个范围判断后来在考场上基本都命中了回头想如果当时没做这步预判肯定会被打个措手不及。1.2 秋招笔试的筛选逻辑笔试说到底就是第一轮漏斗目标不是让你拿满分而是从几百人里筛出那些“真正碰过激光雷达数据”的人。所以它的题目设置很有特点基础题不少但总有几道题需要你有实打实的数据处理经验才能答出来。我印象很深的是有一道填空题问体素滤波下采样后点云数量变化和体素尺寸的关系纯背八股的人可能知道“体素尺寸越大下采样后点越少”但题目给了具体坐标范围和体素边长需要实际算一算。这种题目如果你平时没亲手调过体素滤波参数很容易算错。所以我的建议很直接笔试前别光刷题最好自己拿Open3D或者PCL把点云滤波、聚类、配准这几个基础操作各跑一遍。不光是要会调库更要知道每个参数改大改小对结果的影响是怎样的这样碰到概念计算题才能心里有数。2. 核心知识点拆解与题眼分析2.1 点云数据结构从选择题到简答题都会涉及点云数据结构这块笔试里考得非常细。选择题会直接问你不同数据结构的优缺点和适用场景比如“在点云上做最近邻搜索最适合的数据结构是什么”四个选项是暴力搜索、KD-Tree、哈希表、八叉树。如果你之前只是用现成库做点云处理没想过底层是怎么加速的这道题大概率会犹豫。这里给大家一个考试速记基于点的最近邻搜索用KD-Tree最合适尤其在点数几万到几十万级别时平均查询复杂度能从O(N)降到O(logN)。但注意KD-Tree在小规模数据上其实没啥优势建树还有额外开销所以题目如果问的是几十个点的搜索选暴力搜索反而是对的。这类细节就是区分度所在。还有一题我印象很深Range Image和原始点云相比优势是什么。正确答案方向是它天然具备2D规则的邻域结构可以直接用2D卷积处理同时在存储上更紧凑。但代价是投影过程中会丢失部分空间信息且近处物体的点会被遮挡导致数据不完整。答这类题时最好把优缺点都说全只写优点容易丢分。2.2 3D目标检测每一代代表模型的演进逻辑要清楚3D目标检测的考察深度比我想象的深不只是问“PointPillars的骨干网络是什么”这种送分题而是会横向比较不同方案在速度和精度上的取舍。高频考点集中在Voxel-based和Point-based两条技术路线VoxelNet开创了voxel特征编码加3D卷积的范式SECOND用稀疏卷积解决了VoxelNet计算量爆炸的问题PointPillars又把voxel变成pillar用2D骨干网络处理鸟瞰图特征在速度和精度之间取得了更好的平衡。PointNet和PointTransformer则是point-based路线的代表精度上限高但部署时效率吃亏。在答这类简答题时有个技巧一定要围绕“速度和精度的权衡”来组织语言。举例说面试官让你对比PointPillars和SECOND如果你只说“速度更快、精度差不多”就太单薄了要能说出来PointPillars之所以快是因为把3D体素压缩成2D柱体从而绕过了3D稀疏卷积的实现复杂度在工程上更好部署。这个深度就能和背八股的人拉开差距。另外BEVFormer这类基于Transformer的BEV感知方法也值得关注。笔试里出现了一道关于BEV空间内特征对齐的选择题如果没有提前看过相关论文很可能连选项里的名词都看不懂。2.3 多传感器融合与标定激光雷达公司的必考项多传感器融合这块速腾聚创笔试明显比纯算法公司考得更深毕竟它本身就是做激光雷达的对传感器的物理特性理解有天然要求。Camera-LiDAR融合的最核心前提就是外参标定。笔试考了外参矩阵的含义、标定流程中为什么要用棋盘格、以及时间同步问题。其中时间同步那道题很有意思题目描述了一个场景车辆在高速运动时相机和激光雷达的采集时间戳不一致会导致什么后果。答案是物体在图像和点云中的位置会出现错位且车速越快、帧率越低错位越明显。这类题不是靠背能背出来的它需要你理解和差、时间戳、时钟同步这几个要素之间的关系。我的答题思路是把它类比成两个人在不同时刻给同一个移动物体拍照片拍的时间不一样物体在两张照片里的位置自然不一样。这个类比在后来面试中也帮我很好地解释了时间同步的问题。2.4 传统点云算法容易被忽视的送分题传统点云算法在笔试里占比不低我甚至觉得速腾聚创比蔚小理更看重这部分。候选人在刷深度学习模型的同时往往忽略RANSAC、ICP、NDT、欧式聚类这些经典算法但笔试大量考察这些基础。RANSAC地面分割是几乎必考的内容。它考的不是你怎么调库而是原理理解随机选三个点拟合成平面然后计算所有点到这个平面的距离距离小于阈值的点被划为内点如此迭代多次取内点最多的平面。选择题有一个坑是如果地面存在明显坡度RANSAC平面模型会失效因为地面不再是平面。正确选项是使用更高阶的模型或者改用地面点云分割的其他策略比如基于射线的方法。NDT配准也被考到了题目问的是NDT和ICP的核心区别。答案是NDT先把空间划分成体素网格在每个体素内构建正态分布模型不需要像ICP那样建立点与点之间的一一对应关系因此速度更快、对初始位姿的容忍度更高。这个理解如果只是用过PCL的NDT接口但不看底层原理就很难答好。3. 实战过程复盘题型分布与答题策略3.1 选择与填空细节记忆决定基础分选择和填空大概占了60分左右覆盖面非常广但整体难度的梯度设计得比较好。前十题偏基础基本就是数据结构、损失函数、卷积计算这类属于计算机视觉岗的通用底盘。越往后越贴近激光雷达感知场景到后面十几题开始出现不少需要动笔计算的题目。填空题里有一道计算题我印象很深给定一个60米横向范围、40米纵向范围、高度范围-2米到4米的区域用0.2米体素尺寸做体素化问最大体素数量是多少。这个其实就是长宽高三个方向各自除以体素尺寸再乘起来(60/0.2)(40/0.2)(6/0.2) 30020030 1,800,000个体会。典型的初中数学但在考场上有不少人因为忘记算高度方向而丢分或者把单位混了。所以看到计算题不要急着算先把公式在草稿纸上列全。关于2D卷积输出尺寸的计算也考了一道输入特征图32x32卷积核5x5步长2填充2问输出尺寸是多少。公式是(322*2-5)/2116.5取17。这里有个易错点当步长不能整除时输出尺寸向下取整。这个细节平时写代码可能体会不深因为PyTorch已经帮你处理好了但手算的时候必须注意。3.2 简答题工程理解比背概念更拉分简答题大概3-4道每题分值不小是整个笔试里真正拉分的地方。我复盘下来这类题答得好的关键是要“有层次感”——不能只写一个术语名词要会展开讲“是什么-为什么-怎么做”。有一道题是在点云目标检测中如何解决小物体如行人、锥桶容易被漏检的问题我给的回答从三个层面展开数据层面小物体在点云中本来就稀疏需要做数据增强比如全局/局部点云扰动、物体级别的复制粘贴提高小物体的样本多样性。模型层面使用更细的体素尺寸或者pillar设计来保留局部细节在FPN结构的不同尺度特征图上都做检测头让小物体在高分辨率特征图上有更好的响应也可考虑给检测头加一个专门针对小物体的辅助分支。后处理层面降低小物体的置信度阈值用NMS时将IoU阈值调低一些避免小物体被邻近的大物体抑制掉。这种分层回答的好处是显得思考全面而且每个层面都能体现你的实战经验。实际上我后来了解到这道题在面试时也会被追问所以笔试时的回答思路可以直接复用。另一道简答题是关于地面分割在感知系统中的作用。除了说清楚“分离地面点、减少障碍物检测的干扰”这个基本功能外我还结合了实际工程经验地面分割做得不好下游的聚类和检测会非常痛苦尤其是斜坡和颠簸路段如果不做处理地面的误检会让车辆频繁急刹。这个“实际工程痛点”的描述我猜是拿分的关键因为它区别于单纯背书本的表述。3.3 编程题SQL、Python、算法题的综合考查编程题部分倒不是特别难没有那种直接劝退的Hard级算法题但题目场景包装得很贴合业务。第一道是SQL题给了三张表要求统计每个区域在某个时间段内的传感器故障次数。这类题考的就是JOIN、GROUP BY、HAVING的基本用法。做这类题我的经验是先看表结构再动手写把JOIN条件写清楚别在WHERE里过滤分组后的聚合条件——这个要用HAVING而不是WHERE。很多人在这个细节上翻车导致排序结果不对。第二道编程题是典型的BFS/DFS问题给定一个0和1组成的网格大概模拟占据栅格地图1表示障碍物0表示可通行求从起点到终点的最短路径长度或是否存在可行路径。这是感知岗很喜欢考的题因为它和路径规划、占据栅格地图的语义天然契合。写的时候注意边界条件判断行和列的下标不能越界访问过的节点要标记避免死循环。第三道更偏向Python能力给一个点云数据文件要求计算每个点最近邻的距离分布。这个题其实就是numpy数组操作加KD-Tree做最近邻搜索。我用scipy.spatial.cKDTree实现了代码量不大但这道题想拿满分需要你对numpy的广播机制熟悉不能写出三层for循环的死慢版本。我自己的实现思路是先用cKDTree构建索引然后query(k2)取第二个最近距离第一个是自己最后用np.histogram统计分布。注意笔试编程题没有给编译器提示用的在线编辑器也没有自动补全平时写代码太依赖IDE提示的同学要提前适应这种“裸写”状态。4. 踩坑记录与避坑指南4.1 我在笔试中犯的错误考试时间分配上我一开始在选择题上纠缠太久了。有几道多选题因为答案不确定反复改了三四遍结果后面简答题的时间变得紧张答题时有些点没来得及展开。这是很典型的策略失误。后来我总结了经验多选拿不准的就先按第一直觉选做个标记等所有必拿分的题都做完了再回来看。改来改去反而容易把对的改成错的。另外一个失误是看到不熟悉的名词脑子空了一瞬间然后在后续答题中老惦记着那道不会的题影响了心态。后来我调整策略遇到不会的题直接跳过告诉自己“这道题本来就是用来筛人的大多数人都不会”。这个心理建设很管用后面几道简答题反而答得比较顺。4.2 时间分配建议按120分钟算个人建议的时间分配是这样选择题填空题45-50分钟留出检查计算题的时间计算题草稿要写在纸上方便复查。简答题30-35分钟每题5-8分钟组织语言时用“首先…其次…最后”的结构让阅卷人快速抓到你的思路。编程题30-35分钟如果第二题卡住了果断放弃写伪代码把思路写清楚也能拿步骤分。这个时间分配有两个原则第一基础分优先不要因为死磕某道题而丢掉后面更容易拿的分第二简答题的表述结构比字数更重要写得再长如果逻辑乱阅卷人也没耐心给你找得分点。4.3 编程题环境注意事项线上笔试系统用的是牛客网那种在线编辑器不是本地IDE所以有几个坑要注意输入输出一定要按题目要求来比如输入数组用空格还是换行分隔、输出保留几位小数这些都看仔细。不支持自动补全特别依赖IDE补全的同学考前练几道裸写代码的题。Python要注意缩进在线编辑器偶尔会有缩进混乱的问题写完检查一下。如果用Python跑点云数据注意内存够不够笔试环境一般没啥问题但别创建太大的数组导致OOM。我对这块的建议是把牛客网的在线编程练习刷个二三十道重点练输入输出处理和边界条件比刷大量花哨难题管用。5. 考后复盘与学习路线5.1 笔试结束后立刻复现题目我在笔试结束后凭着记忆把自己没把握的题都重新做了一遍尤其是地面分割和NDT配准这种偏传统算法的题用Open3D重新跑了下代码把点云加载、体素滤波、RANSAC分割、DBSCAN聚类的完整流水线走了一遍。这样做的价值在于短期记忆还在趁热打铁把知识盲区补上后面面试大概率能串起来。笔试复盘的时间最好控制在考后48小时内拖久了细节就模糊了。我当时复盘完最大的收获是传统点云算法只停留在“会用”阶段是不行的一定要理解原理才能应付笔试和面试里“为什么这样设计”的追问。5.2 从笔试到面试常见追问方向的准备笔试结束后我根据笔试内容和岗位JD预判了面试可能问的问题提前做了准备。速腾聚创面试官通常会围绕简历深挖项目同时结合笔试中的薄弱点追问。我当时准备了这几个方向BEV感知方案的优劣势、激光雷达和摄像头在恶劣天气下的融合策略、模型在嵌入式平台上的部署经验、点云数据增强的常用方法、以及我在笔试题中暴露出来的知识盲区NDT的数学原理、多传感器时间同步。这些准备在后续面试中确实派上了用场尤其是部署相关的问题面试官问得很细比如量化的精度损失怎么评估、INT8和FP16的区别。5.3 适合这个方向的通用学习路线最后结合整个秋招感知算法岗求职经历给准备投这个方向的同学一条可以参考的学习路线第一点云基础必须扎实。会PCL或Open3D调用只是及格线要能理解从传感器原始数据到坐标系的转换、滤波算法的原理和参数意义。第二深度学习的3D感知模型至少能说出三代方案的演进VoxelNet、SECOND、PointPillars以及各自的核心改进点。第三多传感器融合不只是调库要亲手做一次Camera-LiDAR联合标定这样面试时谈外参标定和时间同步才有底气。这个岗位的笔试其实并不追求你什么都懂但对“激光雷达感知”这个交叉方向的理解深度要求很高。投递前一定要想清楚自己是否真的对这个方向感兴趣因为它要求的技能栈比通用CV岗更专、更深但相应的稀缺性也更高。我个人在实际准备过程中最大的体会是速腾聚创这类激光雷达公司的感知算法岗笔试风格的“雷达味”太重了。你用通用CV岗的思路去准备很可能会在点云相关的题目上翻车。反过来如果你平时对点云处理、激光雷达感知有热情笔试准备起来反而不会觉得太痛苦。希望这份复盘能帮你少走弯路顺利通过笔试早日拿到心仪的offer。