海尔
导航算法工程师
导航算法工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器人开发
机器人开发
Mpc
Ros/Ros2
Slam
动态避障
路径规划
轨迹规划
运动控制
值不值得投
薪资怎么样
3.3万
与机器人开发中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 740 个在招 · 其中机器人开发 6 个
市场机会
选择面较广
上海 · 机器人开发 · 约 120 个在招
职位详情
关于这个职位
该岗位负责移动机器人（含低速无人车）的导航算法研发与产品化落地，涵盖全局路径规划、局部轨迹规划、多传感器融合定位与运动控制，需要在 ROS/ROS2 架构下完成从仿真到实车实机的系统集成与调优，并针对舵轮、差速、阿克曼等多种底盘做算法选型与参数自适应，解决窄道通行、人车混流等真实场景下的动态避障与决策问题
最低要求
本科及以上学历，机器人、自动化、计算机、车辆工程等相关专业，3 年以上导航规划或自动驾驶相关开发经验
精通 C++ 和 Python，数据结构与算法基础扎实，熟悉 Linux 开发环境及常用工具链（CMake、Git、GDB 等）
熟练掌握 ROS/ROS2，具备丰富的机器人软件系统设计与调试经验，能独立完成从仿真到实车实机的完整部署
深入理解常用全局与局部路径规划算法，至少主导过一个完整项目的导航算法开发及多车型底盘适配（运动学约束与标定）
理解不同底盘运动学约束（舵轮、差速、阿克曼转向等）与基本车辆动力学特性，有机器人/无人车导航量产或演示落地项目经历
逻辑清晰，善于分析工程问题，具备良好的沟通与团队协作能力
工作职责
负责移动机器人（含低速无人车）全局路径规划与局部轨迹规划算法的研发、优化及产品化部署，优先适配舵轮，其次差速、阿克曼等多类车型平台
参与多传感器数据融合定位与状态估计算法的工程实现与调试，确保复杂动态环境下的定位可用性
基于 ROS/ROS2 搭建导航软件功能架构，完成定位、规划、控制等模块的系统集成、仿真测试与实机性能调优
研究并整合多种全局与局部规划算法（A、Hybrid A、RRT、Lattice Planner、DWA、TEB、MPPI 等）与运动控制算法（MPC、Pure Pursuit、PID 等），针对不同车型和应用场景进行算法选型、切换及参数自适应调整
结合感知与预测结果，设计动态避障与交互决策策略，解决窄道通行、人车混流等实际场景问题
负责实车/实机测试场景搭建与数据分析，闭环迭代解决规划与控制中的问题
优先资格
加分项：
对强化学习（RL）在导航/决策中的应用有实战经验，如基于 DQN、PPO 的局部规划或行为决策
熟悉模仿学习、逆强化学习等
了解端到端导航/驾驶模型（如视觉端到端驾驶网络），掌握相关架构（CNN、Transformer、Diffusion Policy 等）与训练部署流程
具备扎实的多传感器融合定位与建图理论基础：熟悉 EKF、粒子滤波、图优化等方法，掌握 robot_localization、Cartographer、gmapping 等开源方案，有实际多传感器标定、融合部署与调优经验
了解多智能体交互与协同导航理论，如博弈论、社会力模型、多智能体强化学习等，有多机协作、人机混流场景下的决策规划实战经验
有多车型平台适配量产经验，能够快速将算法迁移到不同尺寸、动力与传感器配置的机器人/车辆
在 ICRA、IROS、CoRL、IV 等国际会议/期刊发表过导航规划相关论文
AI 洞察
优缺点分析
优点
- 导航规划是移动机器人的核心技术栈，技能壁垒高、可迁移性强（无人车、配送机器人、具身智能均通用）
- 岗位覆盖从算法研究到量产落地全流程，能积累实车调试与多底盘适配的稀缺经验
- JD 明确鼓励强化学习、端到端模型、多智能体协同等前沿方向，技术成长空间大
- 实车实机测试与场景搭建工作量大，需要在现场反复调试与闭环迭代，节奏偏工程化
- 多车型、多场景的算法选型与参数自适应复杂度高，需要同时兼顾理论与工程细节
- 适合有机器人/自动驾驶导航算法实战经验、喜欢把算法真正跑在车上并解决现场问题的工程师
- 也适合想在移动机器人与具身智能方向长期深耕的技术型候选人
缺点 / 挑战
- 产品化交付压力明确，算法不仅要跑通还要稳定可靠
角色解读
- 可从单一算法模块负责人成长为导航/自动驾驶系统架构师，统筹定位—规划—控制全链路
- 具备量产与多车型适配经验后，可转向机器人产品技术负责人或算法团队管理岗
- 若在强化学习、端到端驾驶方向持续积累，可切入更前沿的具身智能与自动驾驶算法研发
- 负责移动机器人与低速无人车的全局路径规划、局部轨迹规划算法研发，并推动到量产产品中落地
- 在 ROS/ROS2 上搭建导航软件架构，打通定位、规划、控制模块，完成仿真到实车实机的联调与调优
- 针对舵轮、差速、阿克曼等多底盘做算法选型与参数自适应，处理窄道、人车混流等复杂场景的动态避障与决策
- 扎实的 C++/Python 工程能力与算法数据结构基础，熟悉 Linux 工具链与 ROS/ROS2 系统架构
- 深入掌握 A*、Hybrid A*、RRT、Lattice、DWA、TEB、MPPI 等规划算法以及 MPC、Pure Pursuit、PID 等控制算法
- 理解不同底盘的运动学约束与车辆动力学，具备多传感器融合定位（EKF、图优化、SLAM）与实车调试经验
申请策略
- 海尔业务线较多，投递前确认该岗位归属的具体业务单元（机器人/智能制造/无人配送），以便匹配面试重点
- 面试中多谈“算法如何落地到产品”的工程细节，展示你对量产可靠性和测试闭环的理解
- 突出你主导过的完整导航项目：从算法设计、ROS/ROS2 架构搭建到实车部署的端到端链路
- 量化说明多底盘适配经验，尤其是舵轮、差速、阿克曼车型的运动学建模、标定与参数调优成果
- 列出使用过的规划与控制算法栈（A*/Hybrid A*/TEB/MPPI/MPC 等）及对应场景效果，如窄道通过率、避障成功率
- 若有强化学习、端到端模型、多传感器融合定位的项目或论文，单独成块展示
- 补齐现代 C++ 工程能力与 ROS2 中间件、仿真工具链（Gazebo/Isaac Sim）的实操经验
- 系统复习多传感器融合定位（EKF、粒子滤波、图优化）与 Cartographer、robot_localization 等开源方案的使用与调参
面试指南
- 采用“场景—方案—取舍—结果”的结构：先交代具体工况与约束条件，再说明算法选型与参数设计理由，最后给出可量化的落地效果与复盘改进
- 对失败案例用“问题定位—假设验证—迭代验证”的思路展示工程方法论
- 对比类问题用表格化思路分维度（计算量、实时性、平滑性、鲁棒性）作答，避免只背概念
- 请介绍你主导过的一个完整导航项目，从算法选型到实车部署的关键决策是什么？2. 舵轮底盘与阿克曼底盘的路径规划差异在哪里？你如何做运动学约束建模与参数标定？3. 在窄道通行和人车混流场景下，你如何设计局部规划与动态避障策略？遇到过什么失败案例？4. 对比 A*、Hybrid A*、RRT、Lattice、DWA、TEB、MPPI 的适用场景与优劣，你会如何选型？5. 多传感器融合定位中 EKF 与图优化的取舍，你如何保证复杂动态环境下的定位可用性？
- 准备 1-2 个可深度展开的导航项目，能讲清算法细节、代码架构、调试过程与量化指标
- 复习 C++ 常见考点（内存管理、多线程、性能优化）与 ROS2 通信机制、TF 坐标系等基础
- 了解海尔在机器人与智能制造方向的业务布局，准备与之结合的场景思考
Watch Jobs