顶尖应届-决策规划大模型算法研究员-自动驾驶

优缺点分析

角色解读

• 从算法研究员起步，可向资深算法专家或技术负责人发展，主导自动驾驶决策规划核心模块的迭代
• 积累强化学习和大模型经验后，可转型至机器人、通用AI等更广泛的Physical AI领域
• 在小米自动驾驶团队中，有机会参与从研发到量产的全流程，积累实战经验并成为行业稀缺人才
• 专注于自动驾驶决策规划模块的算法研发，设计和实现基于模型的规控系统，处理复杂交通场景下的交互与轨迹规划
• 开发大规模强化学习算法，在虚拟环境中训练智能体并实现Sim2Real迁移，提升自动驾驶决策的鲁棒性和泛化能力
• 结合大模型（LLM/VLM）进行自动驾驶对齐研究，探索端到端或混合架构的决策方案
• 扎实的C++编程能力，熟练Linux开发环境和数据结构算法，能高效实现算法模块
• 深入理解深度学习框架和常用网络结构（CNN、LSTM、Transformer等），具备模型训练和调优经验
• 至少掌握一项核心方向：基于模型的规控、大规模强化学习、或LLM/VLM在自动驾驶中的应用

申请策略

• 关注小米自动驾驶团队的技术博客或公开演讲，了解他们使用的技术栈和方向，在面试中展示匹配度
• 准备一个完整的项目案例，详细说明从问题定义、算法设计到实验验证的流程，突出自身贡献
• 重点突出强化学习、决策规划或大模型相关的项目或研究经历，展示具体算法实现和效果
• 列出发表论文、竞赛获奖等学术成果，体现研究能力和编程功底
• 强调C++编程经验和Linux开发环境下的项目实践，最好有自动驾驶相关实习或课题
• 补强C++与数据结构和算法，刷题巩固基础，熟悉agentic coding风格
• 深入学习强化学习（如PPO、SAC等）和Transformer系列，并在自动驾驶模拟环境（如CARLA）中实践
• 了解主流大模型（LLM/VLM）的微调和对齐方法，尝试在自动驾驶感知或决策任务中应用

面试指南

• 对于项目介绍类问题，采用STAR法则（情境-任务-行动-结果），清晰阐述背景、你的具体工作、技术难点和最终成果
• 对于开放式设计问题，先给出总体思路框架，然后分点讨论技术选型理由、潜在问题和解决方案，展现系统思考能力
• 对于编程题，先明确问题，设计算法步骤，再写代码并解释关键点，最后分析复杂度和可能的优化
• 请详细介绍一个你参与过的强化学习项目，包括算法选择、训练过程和结果
• 如何将基于模型的规划与端到端方法结合？谈谈你对自动驾驶决策架构的理解
• 你如何设计一个大模型在自动驾驶中的对齐方案？会遇到哪些挑战？
• 现场编程题：实现A*或RRT*路径规划算法，并分析复杂度
• 谈谈你对Sim2Real差距的理解，以及如何缓解？