自动驾驶决策算法实习生

优缺点分析

角色解读

• 从实习转正为正式算法工程师，深入参与自动驾驶核心决策系统
• 成长为端到端规划或强化学习方向的专家，主导技术方案设计
• 向技术管理方向发展，带领团队攻克量产难题
• 参与端到端规划算法的研发，包括模型训练、优化和评测体系搭建
• 跟踪学术界最新SOTA方法（如VLA、WorldModel、强化学习），并将其落地到量产算法中
• 与团队协作，推动自动驾驶决策模块的性能提升
• 掌握Python编程，熟悉深度学习框架（如PyTorch）
• 了解端到端规划架构，至少对VLA、WorldModel、强化学习或Diffusion中的一个领域有实践经验
• 具备自动驾驶或计算机视觉相关背景优先，论文发表经历为加分项

申请策略

• 关注小米自动驾驶部门的技术博客或公开演讲，在面试中展示对产品的理解
• 提前准备一个端到端规划的demo或项目思路，体现创新性
• 突出自动驾驶或机器人相关项目经验，尤其是端到端规划、强化学习等方向
• 强调Python编程能力和深度学习框架使用熟练度
• 如有论文或开源贡献，重点标注
• 提前学习VLA、WorldModel等前沿论文，动手复现简单模型
• 强化Python和PyTorch编程，练习数据处理和模型训练

面试指南

• 先阐述基本概念，再结合具体算法（如MPC、IL、RL）说明优劣
• 用STAR法则描述项目：情境、任务、行动、结果，突出技术难点和解决方案
• 体现对量产落地的理解，例如推理速度、安全约束等实际因素
• 请解释端到端规划算法与传统规划方法的区别
• 你了解哪些VLA或WorldModel方法？如何应用于自动驾驶？
• 如何训练一个端到端规划模型？数据需求和处理步骤？
• 强化学习在决策规划中有什么优势？举个实际案例
• 你过去做过的与自动驾驶或强化学习相关的项目，遇到的最大挑战是什么？