顶尖应届-决策规划大模型算法工程师-自动驾驶

优缺点分析

角色解读

• 在自动驾驶决策规划领域深耕，成为技术专家，主导核心算法研发
• 逐步拓展至系统架构层面，负责整个自动驾驶系统的设计优化
• 未来可向技术管理或首席科学家方向发展，推动技术战略
• 开发基于模型的决策规划系统，处理城市和高速道路中车辆交互与轨迹规划问题
• 设计并实现大规模强化学习算法，在虚拟环境中训练自动驾驶Agent
• 负责Sim2Real部署，将仿真训练的策略迁移到真实车辆上
• 探索大模型（LLM/VLM）在自动驾驶决策中的应用与对齐
• 扎实的C++编程能力，熟悉Linux开发环境和数据结构和算法
• 深入理解深度学习框架（如PyTorch/TensorFlow），熟悉CNN、LSTM、Transformer等网络
• 至少掌握一项：基于模型的规控/端到端算法、大规模强化学习、或LLM/VLM在自动驾驶中的应用
• 有顶会论文、ACM竞赛经历或大模型实践者优先

申请策略

• 提前了解小米自动驾驶团队的技术路线和公开论文，在面试中展现深度思考
• 准备一个完整的技术项目讲述，从问题到方案再到成果，体现逻辑和创新
• 突出自动驾驶相关项目，尤其是决策规划、强化学习、端到端方面的经验
• 强调顶会论文、竞赛奖项，展示研究能力和编程水平
• 详细描述大模型（LLM/VLM）或多模态的实践经历
• 体现C++和Linux下的开发能力，如开源项目或高性能代码
• 补充强化学习理论知识，动手实现经典算法（如PPO、SAC）
• 了解Sim2Real常用技术（域随机化、仿真器使用）

面试指南

• 对于技术比较题，先定义概念，再对比优缺点，最后结合自己经验
• 对于项目经验题，使用STAR法则（情境、任务、行动、结果）结构化回答
• 对于开放性问题，列举常见方法，给出个人观点，展现思考深度
• 请解释基于模型的规划与端到端规划的区别和各自优缺点
• 强化学习在自动驾驶中面临哪些主要挑战？如何解决Sim2Real gap？
• 如何利用LLM/VLM提升自动驾驶在复杂场景下的决策能力？
• 描述一个你解决过的决策规划或强化学习项目，技术难点是什么？
• C++中智能指针的使用场景和注意事项？