WeRide（文遠知行）是中國頭部自動駕駛公司，2024 年那斯達克上市後全球招聘節奏明顯加快——矽谷、廣州、新加坡三地辦公室同時招 SDE / MLE / Robotics Research / Hardware。一畝三分地的回饋顯示，WeRide OA 通過率雖高（~30%），但 Onsite VO 才是真正考驗：SDE Loop 和 MLE Loop 題型 / 評分維度差距很大，許多候選人投錯 track 直接掛。
本文聚焦OA 通過後的 Onsite VO 流程（OA 題型詳見我們的 WeRide OA SDE 文章），重點拆 SDE / MLE 兩條賽道的差異、感知規劃系統設計、與 Waymo / Cruise / Pony.ai 的對比。
WeRide VO Loop 總覽
| 階段 | 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 / 張量操作) |
| Onsite #2 | System Design（autonomy stack 子系統） | ML System Design（perception / planning model） |
| Onsite #3 | Project deep-dive | Paper / 專案深挖（必帶 1 篇代表作） |
| Onsite #4 | Behavioral + Hiring Manager | Behavioral + Tech Lead |
| Onsite #5 | (SDE 無) | Research Discussion / 反向問 |
關鍵差異：
- SDE 4 輪 + HM：偏 system / autonomy stack 工程
- MLE / Research 5 輪 + 必有 Paper Defense：候選人提前提交 1 篇論文 / 專案，全程被深挖
- WeRide 不強求 PhD——碩士工業經驗也能投 MLE，但沒 paper / open-source 專案的碩士基本卡在 Phone Screen
SDE Loop 真題：System Design 高頻題
真題：設計一個 Sensor Fusion + Localization Pipeline
題面：自動駕駛車上有 3 個 LiDAR + 6 個 Camera + 1 個 GNSS/IMU。設計一個 pipeline 把所有 sensor 資料融合，輸出車輛每 10ms 的 6-DOF pose（位置 + 朝向）。
WeRide 偏好的回答結構
1. 資料特徵
- LiDAR: 3 × 100k points/scan @ 10 Hz
- Camera: 6 × 1080p @ 30 Hz, ~50 MB/s/camera
- IMU: 200 Hz, 角速度 + 線加速度
- GNSS: 10 Hz, 公分級 RTK
2. 時間同步層
- 硬體時間戳（PPS 訊號）+ PTP / gPTP 網路同步
- 軟體層 buffer + linear interp
3. 預處理層
- LiDAR: motion compensation (基於 IMU)
- Camera: 去畸變 + 同步擷取 (硬體 trigger)
- GNSS: Kalman filter denoise
4. 融合層（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. 輸出層
- DDS / ROS2 publish @ 100 Hz
- 失效偵測：LiDAR 損壞 → 切到 visual-inertial fallback
評分點
| 維度 | 減分回答 | 加分回答 |
|---|---|---|
| 時間同步 | 不提 | PTP + 硬體時間戳 + sensor 間 < 1ms 漂移 |
| 數學背景 | "用 Kalman" | 寫出 ESKF state vector + jacobian + 共變異數更新公式 |
| 失敗處理 | 不提 | 單 sensor 故障的降級路徑 |
| WeRide 文化 | 通用方案 | 提 Apollo / Autoware / WeRide 自家 stack 的具體差異 |
| 工程化 | 只談演算法 | 提 latency budget table（每層 < 5ms） |
陷阱：很多候選人會畫 Apollo 風格的 modular pipeline——這是減分回答。WeRide 內部從 2024 起逐步走 end-to-end neural perception + classical planner 的混合架構，面試官想看你對「經典方法 vs 學習方法」的取捨判斷。
MLE Loop 真題：ML System Design
真題：設計一個 Lane Detection 模型 + 部署 pipeline
題面：要求在車上即時（≥ 30 FPS）偵測 4-lane 高速公路情境的車道線，輸出 lane geometry + lane type（實線/虛線/雙黃）。約束：模型必須能在 NVIDIA Drive Orin（254 TOPS）上跑，單幀延遲 < 25ms。
WeRide MLE 評分骨架
1. 資料收集
- Sensor 選擇：前向 fisheye camera + 主前視
- 資料規模：100k 幀 + 10k 長尾 case (雨/雪/夜)
- 標註：semi-automated polyline 標註
2. 模型架構
- Backbone: ResNet-34 / EfficientNet-B0 (輕量)
- Head: LSTR / CondLaneNet 思路（query-based）
- 輸出: lane parameter (Bezier control points) + class
3. 訓練策略
- Loss: line distance + classification + temporal consistency
- Augmentation: 隨機天氣 + 鏡面翻轉 + cutmix
- 訓練: 4 × A100 訓 2-3 天
4. 部署優化
- INT8 quantization (TensorRT)
- Batch size 1 (即時性)
- 單幀 latency budget: 8ms backbone + 6ms head + 11ms post-proc
5. 在線監控
- Embedding drift detection
- 長尾 case 自動 mining
- A/B 灰度 (10% → 50% → 100%)
MLE Round 加分技巧
- 量化具體：不要說「我用 TensorRT 加速」，說「FP32 → INT8 後從 18ms 降到 7ms」
- 失敗案例：主動講一個之前的失敗 deploy（如夜間 false positive 多），怎麼 root-cause 並修復
- 取捨判斷：被問「為什麼不用 transformer 大模型？」→ 答 latency budget + memory + 邊緣設備約束
Project / Paper Deep Dive（MLE 必有，SDE 偶爾）
MLE 必帶「代表作」
WeRide MLE 招聘預設你提交 1 篇 paper / 1 個 open-source 專案，全場圍繞它深挖：
- 這個工作 真正貢獻是什麼？（「我做了 baseline」不算貢獻）
- 與 prior art 的差異？引用了多少？
- 如果重做，你會改什麼？
- 這個方法在 WeRide 的實際情境裡能用嗎？工程化挑戰是什麼？
對應 paper 選擇策略：
- CVPR / ICCV / NeurIPS 一作 paper > 二作 paper > 大老闆掛名 paper
- 專案最好與 autonomy / 3D / perception / planning 相關；純 NLP / vision classification paper 關聯度低，會被打「not aligned with team」
- GitHub 高星 open-source 專案可以代替 paper（但要能講清自己的貢獻，不能只是 fork + 改兩行）
Behavioral / 反向問
WeRide 文化關注點
- First-principle thinking：自動駕駛問題沒現成答案，要從底層推
- Engineering rigor：從 prototype 到 production 的 mindset
- Collaboration with hardware / safety：MLE 不能只懂模型——要能和 hardware / safety / firmware team 溝通
- Long-term commitment：自動駕駛不是 1-2 年能 ship 的，要確認你不是「短期跳板」
高頻問題
| 問題 | 推薦角度 |
|---|---|
| 「為什麼自動駕駛？」 | 不要說「AI 是未來」——講具體的技術興趣點 (e.g., 3D perception 的不確定性) |
| 「為什麼 WeRide 而不是 Waymo / Cruise？」 | 講 WeRide 商業化進度（廣州 robotaxi + 中東 robobus）、技術多元化 |
| 「講一個你和團隊 push back 的故事」 | 自動駕駛安全文化看重 backbone |
| 「你怎麼看 Tesla FSD vs LiDAR 路線？」 | 必備問題，要能給出 nuanced 答案 |
反向問 3 個推薦方向
- 「團隊目前的 model 在 long-tail case 上的表現怎麼樣？怎麼收集這些 case？」
- 「WeRide 內部的 simulation pipeline 有多重要？你們 ratio 是多少（模擬測試 vs 路測）？」
- 「如果我加入，前 3 個月最大的 onboarding 挑戰會是什麼？」
WeRide vs Waymo / Cruise / Pony.ai 橫向對比
| 維度 | WeRide | Waymo | Cruise | Pony.ai |
|---|---|---|---|---|
| 總部 | 廣州 + 矽谷 | Mountain View | SF (suspended ops 2023) | 北京 + Fremont |
| 商業化 | Robotaxi 廣州 + 中東 robobus | Phoenix / SF / LA robotaxi | Suspended | Robotaxi 北京 / 廣州 |
| MLE Onsite 難度 | ★★★★ | ★★★★★ | (suspended) | ★★★★ |
| H1B sponsor | 美國辦 yes (限制) | yes | yes | yes |
| 中文工作環境 | 廣州辦公室強中文 | 全英文 | 全英文 | 北京辦公室強中文 |
| MLE 薪資 (US NG) | $145-180K + bonus | $180-220K + RSU | (n/a) | $150-180K + bonus |
給 candidate 的建議：
- 想要中美兩棲工作 + 商業化進度看得見 → WeRide
- 想要最穩定 / 資源最多 / 頂級 ML 人才密度 → Waymo
- 強調長期願景 + AGI 類願景 → 直接看 Tesla AI / 通用機器人公司
FAQ
Q1：WeRide SDE 和 MLE 哪個好進？
MLE / Research 略難——bar 是 paper / open-source 經驗，碩士 candidate 必須有 1-2 篇相關 work。SDE 更標準化——LC Medium-Hard 程式 + system design + project，以工業經驗為主。沒 ML 經驗但 LeetCode 強的 candidate 優先投 SDE。
Q2：WeRide MLE 一定要 PhD 嗎？
不一定。碩士 + 1-2 篇 CV / Robotics 頂會 paper 也可以。純碩士無 paper / 無 open-source 基本通不過 phone screen。美國 candidate 轉 WeRide MLE 的最簡路徑：在校期間發 CVPR Workshop / ICRA / IROS。
Q3：WeRide 美國辦公室和中國辦公室有區別嗎？
有。矽谷辦公室（Sunnyvale）偏英文 + 美國福利體系；廣州辦公室全中文，節奏更快、加班更多。美國 OPT/H1B candidate 預設矽谷，但 review packet 時 hiring committee 會評估「是否願意 1-2 年後短期 rotate 到廣州」——不願意會被 down-rank。
Q4：WeRide VO 多久出結果？
Onsite Loop 全跑完後通常 3-7 天 recruiter call 給口頭回饋，offer letter 在 1-2 週內發出。如果跑完後超過 2 週沒消息，80% 是被 hold 了（hiring committee 沒達成共識，或 offer budget 在排隊）——主動 follow up recruiter。
Q5：WeRide 給 H1B Sponsor 嗎？
美國辦公室 yes，但有人數限制。每年 H1B 主輪 WeRide 會優先 sponsor PhD / Senior 角色，NG SDE / MLE 用 OPT + STEM extension 過渡 + 後續轉 H1B 是主流路徑。不允許 H1B transfer 進入新辦公室——你必須先 onboard 才能辦 H1B。
Q6：WeRide vs Waymo 我都拿到 offer，怎麼選？
通用建議：
- Waymo 適合：想要 ML 頂級資源、穩定大廠、純英文環境、長期 R&D 投入
- WeRide 適合：想要近距離觀察商業化（robotaxi 已收錢）、中美兩棲彈性、early career 加速 promotion
薪資：Waymo 略高 15-25%（特別是 RSU），但 WeRide 上市後 RSU 流動性反而更好（Waymo 是 Alphabet 子公司不單獨發股票）。
聯絡方式
如果你正在準備 WeRide、Pony.ai、Waymo、Cruise、Tesla Autopilot 這類自動駕駛公司的 SDE / MLE / Research，OA 已不是關鍵變數——onsite system design 與 paper deep-dive 才是 60% 候選人的失利點。我們整理了 WeRide 2025-2026 cycle Onsite 真題 + 自動駕駛 system design 模板 + paper defense 準備清單，歡迎聯絡交流。
立即加入微信 Coding0201，獲取 WeRide / 自動駕駛公司 Onsite 真題與 mock。
- Email：[email protected]
- Telegram：@OAVOProxy