生态研发组_实习PNC规控算法工程师（J71278）

优缺点分析

角色解读

• 从实习算法工程师起步，深入掌握自动驾驶规控核心算法，逐步成为团队中的技术骨干
• 可向决策规划或运动控制方向深耕，成为该领域的专家，参与更高级别自动驾驶系统的研发
• 积累实车调试和系统集成经验，未来可转向架构师或技术经理角色，负责整体算法方案设计
• 负责自动驾驶决策、路径规划与运动控制算法的开发与调试，基于Apollo平台进行L4级别城区与泊车场景的算法实现
• 进行规控算法的仿真测试和实车验证，协助完成算法的迭代优化，确保算法在真实场景中的稳定性和安全性
• 调研前沿规划控制算法，跟踪学术界和工业界最新进展，并推动新技术在自动驾驶系统中的应用落地
• 精通C++编程语言，熟悉Linux和ROS开发环境，能够进行高效的代码编写与调试
• 掌握非线性优化、动态规划、二次规划、混合A*、RRT、MPC、PID等常见规划控制算法
• 了解自动驾驶软件架构，熟悉各模块基本原理，具备大型业务代码开发经验者优先
• 具备良好的沟通能力和问题解决能力，熟练使用GDB等调试工具进行代码调试

申请策略

• 关注百度Apollo的开放日或技术分享，了解团队最新动态，在面试中展示对团队工作的了解和兴趣
• 准备一个与规划控制相关的项目案例，能够清晰阐述问题、方法、实现细节和效果
• 突出C++编程能力，展示相关项目经验，特别是涉及路径规划、控制算法的开发或优化经历
• 如果有Apollo或类似自动驾驶平台的使用经验，务必详细描述，包括参与的模块和具体贡献
• 强调数学基础，如优化理论、数值计算等，并列出熟悉的具体算法（如MPC、PID等）
• 展示工程能力，如Linux系统使用、ROS开发、GDB调试等工具的使用经验
• 提前学习Apollo开源代码，了解其规划控制模块的框架和主要算法实现
• 复习非线性优化、动态规划等算法，并练习在C++中实现简单规划问题

面试指南

• 对于算法原理类问题，先明确核心思想（如MPC的滚动优化），再结合实际应用举例说明
• 对于项目经验类问题，使用STAR法则（情境、任务、行动、结果）结构化回答，突出个人贡献和难点突破
• 对于调试类问题，强调系统性的排查流程：从数据采集、仿真复现、日志分析到代码审查
• 请解释MPC（模型预测控制）的基本原理，并与PID控制进行对比
• 在自动驾驶路径规划中，如何处理动态障碍物？简述常见算法
• 描述你过去参与的一个涉及规划或控制的编程项目，包括遇到的挑战和解决方案
• 如何调试一个在仿真中表现正常但在实车测试中失败的运动控制算法？
• 请解释A*算法和RRT算法的区别和适用场景