通信转码

家在宁波 1️⃣ 均胜电子：嵌入式控制工程师（灵巧手）• 核心定位：人形机器人灵巧手的底层实时运动控制专家，是让机器人“手”灵活运动的基石。• 关键职责：◦ 实现并调试运动控制算法（PID、阻抗控制等）◦ 开发嵌入式驱动、优化系统性能◦ 设计高可靠、低延迟的实时通信总线（CAN FD、EtherCAT）◦ 负责系统启动、故障诊断与安全监控• 技术标签：嵌入式开发、实时控制、机器人执行器、汽车电子/机器人通信2️⃣ 均普智能：软件开发工程师（创新中心·数据采集/中间件）• 核心定位：工业/机器人场景的实时通信中间件与边缘AI部署工程师，是连接传感器、算法和硬件的“系统桥梁”。• 关键职责：◦ 基于ROS2/DDS开发实时通信中间件，实现多传感器数据同步◦ 定制高可靠、低延迟的中间件模块（零拷贝、冗余通信）◦ 完成AI模型的嵌入式部署与性能优化（PyTorch/TensorFlow → ONNX → TensorRT/OpenVINO）◦ 开发各类传感器/执行器驱动，适配工业总线协议（EtherCAT、CAN、Modbus）• 技术标签：中间件开发、边缘AI部署、工业通信、实时系统、自动驾驶/机器人基建3️⃣ 舜宇光学：图像处理算法工程师（车载激光雷达）• 核心定位：车载激光雷达的点云处理与感知算法专家，是自动驾驶和机器人感知系统的“眼睛”。• 关键职责：◦ 研发激光雷达信号回波处理算法，提升点云数据质量◦ 对点云进行去噪、特征提取、聚类，支撑3D目标检测/分割/跟踪◦ 参与激光雷达标定及多传感器（相机/IMU）融合算法设计◦ 跟踪前沿技术，推动算法在车规级产品中的落地与迭代• 技术标签：激光雷达、点云处理、3D视觉、多传感器融合、自动驾驶感知家在北仑本人条件本科末流211计算机 研究生海硕人工智能三家公司工资 三家差不多 均胜均普多两千方向 有三年软件开发经验 一年嵌入式经验 一年算法经验兴趣 对算法和机器人都感兴趣通勤 单程均胜30min ，10左右高速费 舜宇 1h 40min职业规划 打算从开发转算法个人考虑因为之前没有算法经验。舜宇这是一次难得的机会，但是客观条件 均胜合适 对机器人也有兴趣 也是热门选哪个前景好

个人观点(抛砖引玉)先说一下观点，嵌入式只是技术方向。工业4.0和智能ai时代，嵌入式肯定算是风口。但是也有问题部分技术过于陈旧。 软件设计无限重复造轮子。和互联网比，相对没那么卷，因为这个行业变化缓慢。技术门槛会比互联网更高（因为不同于调api的前后端，嵌入式必须要造轮子，定制轮子）上限也许目前没有互联网高，但是逐步互联网浪潮褪去我认为是差距不大的。个人行业理解再说一下行业。相同技术行业差距巨大。楼主从事过机顶盒（夕阳行业）监控（海康大华华为卷到烂，护城河在政府关系）物联网（热钱很多，但是至今未落地）汽车电子（目前相对比较好的嵌入式发展方向）医疗器械（有不少前同事做这个行业，本人不是太了解，...

本人现在研二，双非本211硕，深度学习，研一接触过一点模型部署的东西，现在为了找实习学的C++，面了一个小公司蛙声科技，总共面试不到20分钟。以为没了，因为他是语音方向的，但我一点不会，上面写的部署相关的才投的。他也说了，部署相关的在边缘侧部署，不涉及算子和npu。要不要去？目前C++就会基本使用，八股没背，hot100刷了一遍，大公司没一个给面的。

想入门模型部署，问了一下Gemini，他的回答如下，大佬们看看这路径可行吗？？？第 1-2 个月：打地基（Modern C++ & CMake & Linux）目标：能看懂推理引擎源码，能独立构建多文件 C++ 项目。核心内容：Modern C++：跟着 HKL 视频，重点吃透 智能指针 (RAII)、移动语义 (Move)、Lambda 表达式和简单的模板。CMake：掌握如何链接第三方库（OpenCV, CUDA, TensorRT），学会编写 find_package。CSAPP：重点精读 第 6 章（存储层次）。理解什么是 Cache Latency。里程碑：在 Linux/WSL 下用 CMake 构建一个调用 OpenCV 处理视频流的小项目。手动实现一个包含智能指针管理的简易内存池。📅 第 3 个月：拿手术刀（CUDA 编程入门）目标：理解 GPU 并行逻辑，能手写并优化基础算子。核心内容：核心概念：Thread, Block, Grid, Shared Memory, Warp Shuffle。实战任务：手写一个 矩阵乘法 (GEMM)。版本 1：朴素版（跑通）。版本 2：使用 Shared Memory 优化（速度提升 5-10 倍）。性能分析：学会使用 nsight-systems 查看 Kernel 执行时间。里程碑：手写一个自定义的图像预处理 Kernel（比如把 BGR 转成 RGB 并归一化）。📅 第 4 个月：炼金术（模型转换与 TensorRT）目标：把 PyTorch 模型变成 1660 Ti 上的极致推理引擎。核心内容：ONNX：学习如何导出 ONNX，如何用 onnx-simplifier 简化模型。TensorRT：掌握 trtexec 工具，学习编写 TensorRT 的 C++ API 推理代码（创建 Runtime、Engine、Context）。插件编写：尝试为一个 TensorRT 不支持的算子写一个 CUDA Plugin。里程碑：将 YOLOv8 导出为 TensorRT 引擎，并在 1660 Ti 上跑到极致 FPS。📅 第 5 个月：工业化（量化与性能压榨）目标：攻克部署最难的一环——精度与速度的平衡。核心内容：量化原理：学习对称量化 vs 非对称量化，理解 KL 散度。PTQ 实战：使用 TensorRT 的 Int8EntropyCalibrator 进行训练后量化。多线程部署：学习 C++ std::thread 或生产消费者模型，实现“视频读取-模型推理-结果渲染”的异步并行流水线。里程碑：完成一个低延迟、多线程的实时检测系统，对比 FP16 和 INT8 的精度损失与速度提升。📅 第 6 个月：破圈与冲刺（国产迁移 & 算法 & 面试）目标：将能力迁移，准备实习面试。核心内容：国产迁移：如果有条件，借或买一个 RK3588 开发板，学习 RKNN-Toolkit。你会发现，因为你有了前 5 个月的底子，这部分 2 周就能上手。算法刷题：每天 1-2 道 LeetCode，重点是数组、链表、排序。八股文复习：回顾 C++ 内存模型、操作系统基础。里程碑：整理简历，把“手写 CUDA Kernel 优化”、“TensorRT INT8 量化实战”作为核心项目写上去。