决策规划算法工程师（端到端）(J10950)

优缺点分析

角色解读

• 技术专家路线：深耕规划与预测算法，成为特定领域的权威，推动技术突破
• 技术管理路线：带领算法小组，负责更大规模的模块或子系统研发与落地
• 产品化路线：深入理解智驾产品需求，将算法能力转化为用户体验优势
• 设计与优化自动驾驶车辆在复杂场景下的路径规划与避障算法
• 构建并实现多目标轨迹预测模型，用于感知预测与规划模块的衔接
• 将Transformer等前沿AI模型应用于端到端的决策系统，提升车辆自主性
• 推动算法从研究原型到车端量产落地的全过程，优化性能与效率
• 深入的深度学习模型理解与应用能力，熟悉Transformer、扩散模型等
• 扎实的算法基础，尤其是运动规划、轨迹预测、状态估计领域
• 熟练的工程实现能力，精通C/C++/Python及PyTorch/TensorFlow
• 自动驾驶系统级视角，了解感知、预测、规划模块的交互与约束

申请策略

• 仔细研究黑芝麻智能公开的技术论文或分享，了解其技术路线和关注点
• 在面试中，准备阐述你对“端到端”技术优势与挑战的深入思考，以及如何平衡学术创新与工程落地
• 突出与轨迹预测、路径规划、运动控制相关的具体项目，尤其是有量产经验的项目
• 清晰阐述你在项目中负责的算法模块、解决的核心问题以及量化指标（如精度提升、效率优化）
• 展示对Transformer、扩散模型等前沿技术的理解或实践，以及与传统方法的对比思考
• 强调C++/Python工程能力和快速复现论文、集成开源方案的能力
• 系统学习和实践端到端自动驾驶规划技术，如UniAD、VAD等代表性工作
• 深入了解车规级开发流程和约束，如功能安全、嵌入式部署、实时性要求

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出算法选择和技术细节
• 对于开放性问题，先阐述基本原理和权衡，再结合实际场景或文献中的解决方案进行说明
• 展现系统性思维：从问题定义、数据、模型、评估到部署，分层次地阐述解决方案
• 请介绍一个你参与过的轨迹预测或规划项目，你在其中的核心贡献是什么？遇到了哪些技术难点？
• 你认为将Transformer用于端到端规划有哪些优势和潜在挑战？如何验证其在复杂场景下的有效性？
• 如何设计一个多目标（如安全性、效率、舒适性）的轨迹评估函数？
• 如果模型在某个Corner Case上表现不佳，你会如何分析和解决？
• 你如何保证算法在车端部署时的实时性和资源消耗满足要求？