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

• 从算法研究员成长为自动驾驶领域的专家，主导核心决策规划系统的设计与迭代
• 向技术负责人（Tech Lead）发展，带领团队攻克自动驾驶L4/L5级难题
• 转向研究方向，在顶会发表论文，推动大模型与强化学习在自动驾驶的前沿应用
• 开发基于模型的决策规划系统，处理自动驾驶中城市与高速场景的交互决策和轨迹规划
• 设计和实现大规模强化学习算法，在虚拟环境中训练智能体并部署到真实车辆
• 研究与探索Zero范式、Self-Play等技术在Physical AI中的应用，借助海量算力提升模型能力
• 精通C++编程和Linux环境，具备扎实的数据结构与算法基础，熟悉agentic coding
• 深入理解深度学习框架及常见网络结构（CNN、LSTM、GRU、Transformer等），掌握训练流程
• 至少熟悉规控与端到端算法、大规模强化学习、LLM/VLM中的一个方向，并有相关实践

申请策略

• 了解小米自动驾驶的技术路线和公开成果，在面试中展现对业务的关注
• 准备一个与自动驾驶决策或强化学习相关的项目/论文案例，能清晰阐述技术细节和贡献
• 突出C++编程能力和数据结构算法基础，尤其是实际项目或竞赛中的代码质量
• 强调深度学习项目经验，包括使用的框架、网络结构和训练技巧
• 如果有自动驾驶相关经历（规控、强化学习、LLM/VLM应用），务必详细描述
• 加分项：顶会论文、ACM竞赛获奖、多模态或大模型实践经验
• 深入复习C++和算法，练习高性能编码和agentic coding技巧
• 如果缺乏自动驾驶背景，可快速补强基于模型的规控或强化学习基础

面试指南

• 对于技术对比类问题，先明确概念，再分点列出差异，最后结合上下文给出自己的见解
• 对于项目经历问题，使用STAR法则：背景、任务、行动、结果，并重点强调技术难点和个人贡献
• 对于开放性设计问题，提出假设，分步骤分析，并给出可落地的方案，展现系统性思考
• 请解释一下基于模型的决策规划与传统端到端方法的区别及各自的优缺点
• 描述一次你使用强化学习解决实际问题的经历，包括算法选型、训练过程和结果
• 你如何理解Zero范式？它在自动驾驶中可能的应用场景有哪些？
• 如何在C++中高效实现一个轨迹规划算法？请举例说明数据结构和优化技巧
• 你对Transformer在自动驾驶中的应用有什么看法？如何将LLM/VLM与决策规划结合？