作者Mr.Jian 国内某知名智能驾驶服务商图像算法工程师
从我经历了吉利-博越L的视觉感知量产落地，谈一谈自己的感悟。
总结算法工程师的核心竞争点：
1.对数据的深入理解
2.深入分析与解决当前问题
3.扩展模型功能
4.创新的问题建模思想
5.渴望追求极致的效果
1. 对数据的深入理解
这部分是在数据层面。在实际量产项目中，我们并没有现成的数据，必须从0构建适合当前量产要求的高质量数据集，不同算法工程师的区分度就在于，a. 能不能制定出完善的标注规则，b. 能不能从百万量级的路采数据中，挖掘出真正对模型有价值的那些数据。
对于a，制定出完善的标注规则，为代码解析数据提供精确的信息，来创建高质量的Dataset，为模型的训练效果上限提供关键的支撑。
对于b，并不是路采的数据越多越好，对模型的训练就越有益。在实际训练模型时，当数据量增大到一定量级时，模型性能的提升几乎很微妙。所以，我们需要去挖掘那些真正有价值的数据，丢弃那些低效数据，让模型用最少且最有价值的数据，来达到量产的要求。
2. 深入分析与解决当前问题
这是在实际问题层面。一个模型要想达到量产要求，必然要经过无数次的测试，这些测试目的就是让模型暴露出短板，并记录下这些问题。那么面对这些近在眼前的待解决问题，依据待解决问题的优先级，能不能高效解决它。
你能不能分析这些问题，定位出这些问题产生的真正原因是什么，这背后其实要求你对模型训练及推理过程了如指掌，并且对模型本身的细节有着自己深入的理解。定位出了问题所在，能不能解决它？
比如对60米之内的中大目标，预测的bbox坐标不稳定，有较大的抖动问题，导致测距不稳定，怎么解决？对公交站、房屋顶等特定背景误检，怎么解决？大于100m的车辆车型分类出现跳动怎么解决？等等。
在你用A方法解决某个问题时，需要同时考虑A方法带来的正面影响，以及负面影响，需要你进行全面的评估，给出确切的结论。如果负面影响对模型的整体性能以及对应的驾驶功能不影响，那么这个改进是有效的。
除此之外，还要对用户使用的功能有足够的了解，比如在做变更车道、上下匝道这些功能时，对你所做的检测有什么要求？近距离保证不漏检、不误检，中远距离的检测要求高precision等等。
3. 扩展模型功能
这部分是模型层面，也是最能体现算法工程师区分度的其中一项。现在优秀的开源代码框架非常多，很容易就能在自己的数据集中跑出一个不错的效果出来。但是在实际量产项目中，开源代码可能只能帮助我们完成一部分功能。很多情况下，我们需要根据实际功能需求，在已有的模型中扩展相应的功能。
比如，实际需求是要根据车轮接地点来对横向车辆测距，那么我们不仅要让检测模型预测目标的bbox和cls，还要让模型预测车轮的接地点坐标和类别，能不能在现有数据集下，拓展模型的这些功能，且不影响原来的功能。
又或者，在低算力的环境限制下，用2D检测模型预测伪3D框，来代替3D检测模型。
所以，扩展模型功能，需要你对模型背后的思想有着深入理解，并且代码实现能够很好的work。上面的例子，就需要你深入理解检测模型背后的回归思想以及分类思想，并且整体的训练思想等等。
4. 创新的问题建模思想
比如在车辆拨杆变道这个功能上，如果能够在预定的3s内，甚至更短的时间内，“丝滑”的完成变道这个功能，并且完成率接近1，是OK的。
作为算法工程师，我们需要从功能端，去逆推回自己所做的事情对这个功能的影响，进而了解对自己模型的要求，多少米内一定不能出现误检、漏检，并且预测bbox一定要稳定，在达成具体要求后，问问自己能不能再做的更好些？
这或许和自己本身的性格也有关系，有些算法工程师完成要求后，就放下来了，这本身完全没问题。有些算法工程师会再进一步思考，把模型做到极致，在量产级的模型方面，体现出“工匠精神”，我觉得这是有意义的“卷”。
