WeRide（文远知行）是中国头部自动驾驶公司，2024 年纳斯达克上市后全球招聘节奏明显加快——硅谷、广州、新加坡三地办公室同时招 SDE / MLE / Robotics Research / Hardware。一亩三分地的反馈显示，WeRide OA 通过率虽高（~30%），但 Onsite VO 才是真正考验：SDE Loop 和 MLE Loop 题型 / 评分维度差距很大，许多候选人投错 track 直接挂。
本文聚焦OA 通过后的 Onsite VO 流程（OA 题型详见我们的 WeRide OA SDE 文章），重点拆 SDE / MLE 两条赛道的差异、感知规划系统设计、与 Waymo / Cruise / Pony.ai 的对比。
WeRide VO Loop 总览
| 阶段 | SDE Loop | MLE / Research Loop |
|---|---|---|
| Phone Screen | 60 min coding (LC Medium) | 60 min coding + 30 min ML basics |
| Onsite #1 | Coding (LC Medium-Hard) | Coding (含 numpy / 张量操作) |
| Onsite #2 | System Design（autonomy stack 子系统） | ML System Design（perception / planning model） |
| Onsite #3 | Project deep-dive | Paper / 项目深挖（必带 1 篇代表作） |
| Onsite #4 | Behavioral + Hiring Manager | Behavioral + Tech Lead |
| Onsite #5 | (SDE 无) | Research Discussion / 反向问 |
关键差异：
- SDE 4 轮 + HM：偏 system / autonomy stack 工程
- MLE / Research 5 轮 + 必有 Paper Defense：候选人提前提交 1 篇论文 / 项目，全程被深挖
- WeRide 不强求 PhD——硕士工业经验也能投 MLE，但没 paper / open-source 项目的硕士基本卡在 Phone Screen
SDE Loop 真题：System Design 高频题
真题：设计一个 Sensor Fusion + Localization Pipeline
题面：自动驾驶车上有 3 个 LiDAR + 6 个 Camera + 1 个 GNSS/IMU。设计一个 pipeline 把所有 sensor 数据融合，输出车辆每 10ms 的 6-DOF pose（位置 + 朝向）。
WeRide 偏好的回答结构
1. 数据特征
- LiDAR: 3 × 100k points/scan @ 10 Hz
- Camera: 6 × 1080p @ 30 Hz, ~50 MB/s/camera
- IMU: 200 Hz, 角速度 + 线加速度
- GNSS: 10 Hz, 厘米级 RTK
2. 时间同步层
- 硬件时间戳（PPS 信号）+ PTP / gPTP 网络同步
- 软件层 buffer + linear interp
3. 预处理层
- LiDAR: motion compensation (基于 IMU)
- Camera: 去畸变 + 同步采集 (硬件 trigger)
- GNSS: Kalman filter denoise
4. 融合层（核心）
- Local pose: LiDAR-Inertial Odometry (LIO, e.g., LIO-SAM)
- Global pose: GPS + map matching
- 融合：Error-State Kalman Filter (ESKF) 或 factor graph (GTSAM)
5. 输出层
- DDS / ROS2 publish @ 100 Hz
- 失效检测：LiDAR 损坏 → 切到 visual-inertial fallback
评分点
| 维度 | 减分回答 | 加分回答 |
|---|---|---|
| 时间同步 | 不提 | PTP + 硬件时间戳 + sensor 间 < 1ms 漂移 |
| 数学背景 | "用 Kalman" | 写出 ESKF state vector + jacobian + 协方差更新公式 |
| 失败处理 | 不提 | 单 sensor 故障的降级路径 |
| WeRide 文化 | 通用方案 | 提 Apollo / Autoware / WeRide 自家 stack 的具体差异 |
| 工程化 | 只谈算法 | 提 latency budget table（每层 < 5ms） |
陷阱：很多候选人会画 Apollo 风格的 modular pipeline——这是减分回答。WeRide 内部从 2024 起逐步走 end-to-end neural perception + classical planner 的混合架构，面试官想看你对"经典方法 vs 学习方法"的取舍判断。
MLE Loop 真题：ML System Design
真题：设计一个 Lane Detection 模型 + 部署 pipeline
题面：要求在车上实时（≥ 30 FPS）检测 4-lane 高速公路场景的车道线，输出 lane geometry + lane type（实线/虚线/双黄）。约束：模型必须能在 NVIDIA Drive Orin（254 TOPS）上跑，单帧延迟 < 25ms。
WeRide MLE 评分骨架
1. 数据收集
- Sensor 选择：前向 fisheye camera + 主前视
- 数据规模：100k 帧 + 10k 长尾 case (雨/雪/夜)
- 标注：semi-automated polyline 标注
2. 模型架构
- Backbone: ResNet-34 / EfficientNet-B0 (轻量)
- Head: LSTR / CondLaneNet 思路（query-based）
- 输出: lane parameter (Bezier control points) + class
3. 训练策略
- Loss: line distance + classification + temporal consistency
- Augmentation: 随机天气 + 镜面翻转 + cutmix
- 训练: 4 × A100 训 2-3 天
4. 部署优化
- INT8 quantization (TensorRT)
- Batch size 1 (实时性)
- 单帧 latency budget: 8ms backbone + 6ms head + 11ms post-proc
5. 在线监控
- Embedding drift detection
- 长尾 case 自动 mining
- A/B 灰度 (10% → 50% → 100%)
MLE Round 加分技巧
- 量化具体：不要说"我用 TensorRT 加速"，说"FP32 → INT8 后从 18ms 降到 7ms"
- 失败案例：主动讲一个之前的失败 deploy（如夜间 false positive 多），怎么 root-cause 并修复
- 取舍判断：被问"为什么不用 transformer 大模型？" → 答 latency budget + memory + 边缘设备约束
Project / Paper Deep Dive（MLE 必有，SDE 偶尔）
MLE 必带"代表作"
WeRide MLE 招聘默认你提交 1 篇 paper / 1 个 open-source 项目，全场围绕它深挖：
- 这个工作 真正贡献是什么？（"我做了 baseline" 不算贡献）
- 与 prior art 的差异？引用了多少？
- 如果重做，你会改什么？
- 这个方法在 WeRide 的实际场景里能用吗？工程化挑战是什么？
对应 paper 选择策略：
- CVPR / ICCV / NeurIPS 一作 paper > 二作 paper > 大老板挂名 paper
- 项目最好与 autonomy / 3D / perception / planning 相关；纯 NLP / vision classification paper 关联度低，会被打"not aligned with team"
- GitHub 高星 open-source 项目可以代替 paper（但要能讲清自己的贡献，不能只是 fork + 改两行）
Behavioral / 反向问
WeRide 文化关注点
- First-principle thinking：自动驾驶问题没现成答案，要从底层推
- Engineering rigor：从 prototype 到 production 的 mindset
- Collaboration with hardware / safety：MLE 不能只懂模型——要能和 hardware / safety / firmware team 沟通
- Long-term commitment：自动驾驶不是 1-2 年能 ship 的，要确认你不是"短期跳板"
高频问题
| 问题 | 推荐角度 |
|---|---|
| "为什么自动驾驶？" | 不要说"AI 是未来"——讲具体的技术兴趣点 (e.g., 3D perception 的不确定性) |
| "为什么 WeRide 而不是 Waymo / Cruise？" | 讲 WeRide 商业化进度（广州 robotaxi + 中东 robobus）、技术多元化 |
| "讲一个你和团队 push back 的故事" | 自动驾驶安全文化看重 backbone |
| "你怎么看 Tesla FSD vs LiDAR 路线？" | 必备问题，要能给出 nuanced 答案 |
反向问 3 个推荐方向
- "团队目前的 model 在 long-tail case 上的表现怎么样？怎么收集这些 case？"
- "WeRide 内部的 simulation pipeline 有多重要？你们 ratio 是多少（仿真测试 vs 路测）？"
- "如果我加入，前 3 个月最大的 onboarding 挑战会是什么？"
WeRide vs Waymo / Cruise / Pony.ai 横向对比
| 维度 | WeRide | Waymo | Cruise | Pony.ai |
|---|---|---|---|---|
| 总部 | 广州 + 硅谷 | Mountain View | SF (suspended ops 2023) | 北京 + Fremont |
| 商业化 | Robotaxi 广州 + 中东 robobus | Phoenix / SF / LA robotaxi | Suspended | Robotaxi 北京 / 广州 |
| MLE Onsite 难度 | ★★★★ | ★★★★★ | (suspended) | ★★★★ |
| H1B sponsor | 美国办 yes (限制) | yes | yes | yes |
| 中文工作环境 | 广州办公室强中文 | 全英文 | 全英文 | 北京办公室强中文 |
| MLE 薪资 (US NG) | $145-180K + bonus | $180-220K + RSU | (n/a) | $150-180K + bonus |
给 candidate 的建议：
- 想要中美两栖工作 + 商业化进度看得见 → WeRide
- 想要最稳定 / 资源最多 / 顶级 ML 人才密度 → Waymo
- 强调长期愿景 + AGI 类愿景 → 直接看 Tesla AI / 通用机器人公司
FAQ
Q1：WeRide SDE 和 MLE 哪个好进？
MLE / Research 略难——bar 是 paper / open-source 经验，硕士 candidate 必须有 1-2 篇相关 work。SDE 更标准化——LC Medium-Hard 编程 + system design + project，以工业经验为主。没 ML 经验但 LeetCode 强的 candidate 优先投 SDE。
Q2：WeRide MLE 一定要 PhD 吗？
不一定。硕士 + 1-2 篇 CV / Robotics 顶会 paper 也可以。纯硕士无 paper / 无 open-source 基本通不过 phone screen。美国 candidate 转 WeRide MLE 的最简路径：在校期间发 CVPR Workshop / ICRA / IROS。
Q3：WeRide 美国办公室和中国办公室有区别吗？
有。硅谷办公室（Sunnyvale）偏英文 + 美国福利体系；广州办公室全中文，节奏更快、加班更多。美国 OPT/H1B candidate 默认硅谷，但 review packet 时 hiring committee 会评估"是否愿意 1-2 年后短期 rotate 到广州"——不愿意会被 down-rank。
Q4：WeRide VO 多久出结果？
Onsite Loop 全跑完后通常 3-7 天 recruiter call 给口头反馈，offer letter 在 1-2 周内发出。如果跑完后超过 2 周没消息，80% 是被 hold 了（hiring committee 没达成共识，或 offer budget 在排队）——主动 follow up recruiter。
Q5：WeRide 给 H1B Sponsor 吗？
美国办公室 yes，但有人数限制。每年 H1B 主轮 WeRide 会优先 sponsor PhD / Senior 角色，NG SDE / MLE 用 OPT + STEM extension 过渡 + 后续转 H1B 是主流路径。不允许 H1B transfer 进入新办公室——你必须先 onboard 才能办 H1B。
Q6：WeRide vs Waymo 我都拿到 offer，怎么选？
通用建议：
- Waymo 适合：想要 ML 顶级资源、稳定大厂、纯英文环境、长期 R&D 投入
- WeRide 适合：想要近距离观察商业化（robotaxi 已收钱）、中美两栖灵活度、early career 加速 promotion
薪资：Waymo 略高 15-25%（特别是 RSU），但 WeRide 上市后 RSU 流动性反而更好（Waymo 是 Alphabet 子公司不单独发股票）。
联系方式
如果你正在准备 WeRide、Pony.ai、Waymo、Cruise、Tesla Autopilot 这类自动驾驶公司的 SDE / MLE / Research，OA 已不是关键变量——onsite system design 与 paper deep-dive 才是 60% 候选人的失利点。我们整理了 WeRide 2025-2026 cycle Onsite 真题 + 自动驾驶 system design 模板 + paper defense 准备清单，欢迎联系交流。
立即添加微信 Coding0201，获取 WeRide / 自动驾驶公司 Onsite 真题与 mock。
- Email：[email protected]
- Telegram：@OAVOProxy