双非自学！我上岸了，分享下踩过的坑（感知与融合岗）

个人背景

本硕双非院校（考研失利），无名校背景。本科电子信息工程（武汉），硕士计算机技术（上海）。曾经拿过学校的智能汽车竞赛一等奖，参赛过程中受益良多，我想对智能汽车的兴趣就是从那时候开始的。

秋招情况

最终拿到了几个offer，有机器人公司，激光雷达，自动驾驶的公司。

方向选择和自学历程

选择自动驾驶感知的方向也是机缘巧合。一方面参加过学校智能汽车的竞赛，另一方面也参加了两轮平衡车的大创项目。计算机专业的基础知识都已掌握，C/C++编程，数据结构，计算机网络，操作系统，计算机组成原理等。

基础知识储备

• C/C++：又将C/C++的知识过了一遍，敲完《C++ Primer Plus》，同时B站上看一些C++的课程巩固，最后从github上跟着做几个小项目。

• Python：看网课，然后把《Python编程从入门到实践》敲了一遍，有了C++的基础，Python学习起来还是非常快的。然后就是学习一些Linux的知识，可以在Linux下进行C/C++和Python的编程。

• 机器学习相关：周志华的《机器学习》，当时抱着啃了大概两个月，手推公式，不懂得问下数学专业的同学，像支持向量机就是看了不少视频，做笔记推导才整明白。随后敲完了《机器学习实战》，对使用机器学习进行数据分析有了一定的理解与实践。又参加了阿里的天池竞赛。

• 深度学习相关：主要学习的Pytorch，对Tensorflow框架的定位是读懂相关代码即可，敲完了《动手学深度学习》和《Pytorch实战》收获还是非常多的，书中有很多小的Demo，不仅有CV的也有NLP的。即可以学习到相应的知识又可以后看到Inference后的结果，还是非常有成就感的。

专业知识学习与梳理

计算机视觉：做CV相关的同学还是特别多的，我就简单分享下个人的学习过程。

• 1）传统方式：学习图像的基本知识，灰度化，阈值化，形态学处理，边缘检测等等，使用OpenCV进行编程实现。做了几个Demo（银行卡识别，车位检测，车牌检测等等）。

• 2）深度学习方式：从最经典的卷积神经网络AlexNet,VGG等开始学习，逐层分析推导特征图，编程实现。然后学习目标检测的几个系列，one-stage和two-stage，anchor-base和anchor-free的检测方式，看了大量的论文。然后又看了不少语义分割的工作。比较经典的网络都读过源码并复现过，B站上也有很多大神讲解源码。

3D点云相关：首先学习的是点云相关的基础知识（点云滤波，八叉树，点云分割、拟合、聚类等），然后读3D目标检测的论文，从经典的PointNet网络到目前比较新的工作。其中PointPillars和CenterPoint网络好像是目前自动驾驶中应用的比较多的。基于Point,Pillar,Voxel等都有很多非常棒的论文，网上也有很多公开的数据集，最著名的就是KITTI了。

SLAM：分激光SLAM和视觉SLAM。我学习的是视觉SLAM。高翔博士的《视觉SLAM十四讲》是很棒的一本书，可以比较系统的入门学习。从视觉里程计到后端，还有配套的代码。像VINS-Fusion,ORB-SLAM系列的代码都要读一读，跑一遍。后面多传感器融合也用到很多SLAM中的知识。

ROS系统：古月居的课程很棒，熟悉节点间的通信方式，话题通信（发布者/订阅者），服务通信（C/S），掌握ROS命令行工具，还有就是rviz的使用，这块我学习的也不是很深入，只学了目前经常用到的东西。

多传感器融合：这一块涉及的东西比较多，网上资料也比较少，就多说一下。首先要了解的就是Lidar,Radar,Camera,IMU等传感器的特性。例如相机虽然对车道线，红绿灯等交通标识识别效果好，但视觉测距，测速性能不如激光雷达。然后学习各个传感器之间的时空同步和数据融合。同步又分时间同步和空间同步，时间同步又分软同步和硬同步，不同传感器之间的的空间同步也比较复杂，可以用运动补偿，帧间点云匹配ICP估计，里程计辅助等方式。个人感觉前融合阶段最重要的就是时空同步（激光雷达和相机的数据是要在同一时间戳下的同一物体）。对于传感器的数据融合有传统方式（卡尔曼滤波），也有基于深度学习的方式。除此之外，又简单学习了传感器之间的标定。每个知识点里细节都很多，这部分还有太多东西需要去学习了。最重要的还是要结合代码。

实习经历

在一家自动驾驶公司做自动泊车方面的算法实习生。参与泊车算法的研发，例如车位检测，FreeSpace检测，BEV下的工作等。这段实习经历让我得到了快速的提升，不在局限于一些理论知识，真正了解了针对自动驾驶场景下一些问题，使用什么方法能够得到较好的结果，然后再从一些论文中找到idea加以改进。真的非常感谢leader对我的指导。

秋招历程分享

个人秋招准备的是自动驾驶或机器人等行业的算法工程师（偏感知）。投递的公司类型：1、车企，2、机器人（包括工业上的），3、激光雷达公司，4、自动驾驶方案供应商（做ADAS，域控制器等），5、车联网（车路协同等），6、做视觉图像的公司。

8月17日开始第一份简历的投递，一共做了20多场笔试，面试也有20多场。首先刷Leecode，起码最高频的前100道题刷完，主要针对笔试，面试的时候也有让现场手撕的。

然后就是背C++/Python，Pytorch，深度学习，SLAM等方面的知识点。网上有大量的资料可以借鉴，就不多说了。

项目很重要，一定要非常熟悉，熟悉到一说到某一模块的功能可以想到相关代码的大概样子，很多问题会围绕项目展开,比如面试官会说这个问题能用凸包等更简单的方式解决吗？为什么要用深度学习？内参怎么计算的？单目怎么获取深度信息？精度怎样？SLAM后端边缘化？

也有一些开放性的问题需要平时的积累和灵活运用了，例如一个圆圈上的一些点知道各点和圆心坐标怎么较好的从12点钟位置进行顺时针排序（叉乘）。

当然也有一些问题没有答上来，像ICP的数据结构怎么实现的，ICP的原理看过很多遍，公式也推导过，但是没有具体的进行代码实现，还有一些神经网络结构，看过好多遍，但是问到激活函数的公式却想不起来，也认识到了自己的不足之处。

还有很多其他面试问题因为篇幅原因就不过多介绍了。

比较深刻的是有一场技术面试（深度学习+激光雷达），两位面试官，时间大概40多分钟，那是刚开始面试，没有经验也没准备好，回答的并不理想，比较受挫（后续接到技术二面通知了）。打了几把游戏后思考自己确实是有些地方没有掌握好，所做的不应该是为上一场面试表现不好而沮丧，要好好的查漏补缺，会的东西一定好好展现给面试官。之后的面试慢慢多了起来，有时一天三场技术面。不管通过与否，心态上的起伏很小了，自己已经把所学展现了。

总之，秋招过后感觉个人成长很多，回顾自己所学，展现给面试官，最后也找到了理想工作。

秋招感悟和写给转行人和待入行人的一些话

秋招历程感悟

秋招应该尽早投简历，不少同学因为投递较晚，虽然自身也很优秀但已经没有hc了。基本上没有所有东西都准备好了再投简历面试的情况，都是以战养战的策略，不断的面试，总结自己的不足，在下一场面试更好的展现自我。

面试过程中有肯定，当然也会有否定。不要因为一时的夸赞而骄傲，更不要因为一时的批评而否定自我。调整好心态迎接每一场面试。此外，在整个过程中，我感觉最重要的是自学能力。很多东西都是要靠自学的，学理论，抠代码，慢慢积累。

给同一专业、即将选择这行或者打算转行的同学的建议

我是一开始的目标职位就是算法工程师，比较明确，虽然很卷，但也是义无反顾，想做自己感兴趣的东西。

我学习的东西都是自己找的路线学习的，因为没有专业的指导，都是自己慢慢摸索和实践的，知识范围会比较广，但侧重的是视觉感知，像激光雷达，SLAM等都是发散学习的，并与视觉结合，虽然不确定按这个路线学习对不对，但是自己也是真真切切的学到东西了，在感知外，对建图定位也有了一些了解，整个自动驾驶的链路和基础学习框架已经在脑海中形成。

自动驾驶方向很多，感知，决策，规划，控制等。最后还是希望大家找准方向，沉下心来，接下来会有一段无人问津，艰苦奋斗的时光，夜色难免黑凉，前行必有曙光。

这篇面经分享出来也是希望大家能少走些弯路，祝大家都能找到理想的工作。