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

• 从算法工程师成长为自动驾驶决策规划领域的专家，主导核心算法研发
• 向技术负责人或架构师发展，负责系统整体设计与技术决策
• 可横向拓展到感知、预测、控制等相邻模块，成为全栈自动驾驶工程师
• 开发基于模型的决策规划系统，处理自动驾驶在复杂交通场景中的交互决策和轨迹规划问题
• 设计和实现大规模强化学习算法，在虚拟环境中训练自动驾驶Agent，并完成Sim2Real的部署
• 研究并应用LLM/VLM等大模型技术，提升自动驾驶系统的感知、决策能力
• 精通C++，具备扎实的数据结构和算法基础，熟练使用agentic coding
• 熟悉深度学习框架（如PyTorch、TensorFlow），掌握CNN、LSTM、Transformers等网络结构
• 至少熟悉规划控制、强化学习或LLM/VLM中的一个方向，并有相关实践经验

申请策略

• 小米自动驾驶团队看重工程落地能力，简历中要体现代码质量和系统设计
• 了解小米汽车的技术路线和产品定位，在面试中展示对自动驾驶行业趋势的理解
• 突出C++和深度学习框架的项目经验，特别是与规划控制或强化学习相关的实践
• 展示在自动驾驶、机器人或游戏AI领域的实习或研究经历
• 罗列顶会论文、竞赛奖项，证明研究能力和算法功底
• 系统学习强化学习经典算法（PPO、SAC、DDPG等）及大规模训练技巧
• 动手实现一个简单的端到端自动驾驶或决策规划项目，并部署到仿真环境
• 熟悉LLM/VLM的基本原理，并尝试在自动驾驶场景中应用（如行为决策）

面试指南

• 对于技术对比类问题，先清晰定义概念，再列举关键差异，最后结合实际工程经验给出倾向性观点
• 对于设计类问题，先分析问题的输入输出和约束条件，再分步骤给出方案，并说明每个步骤的考虑（如安全性、计算效率、可扩展性）
• 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，突出技术难点和你的贡献
• 请解释基于模型的规划方法与端到端方法的区别和优缺点
• 如何设计一个强化学习奖励函数，使自动驾驶车辆安全高效地通过交叉路口？
• 在Sim2Real中，你如何解决仿真与真实环境之间的差距（domain gap）？
• 如何用C++高效实现一个Dijkstra或A*路径规划算法？
• 描述一个你参与过的与自动驾驶或强化学习相关的项目，你遇到的最大挑战是什么？