决策规划算法工程师

优缺点分析

角色解读

• 纵向可成长为决策规划算法专家或技术架构师，主导下一代自动驾驶规划算法的演进
• 横向可向系统工程师或技术管理方向发展，负责跨模块的系统级设计与团队管理
• 负责自动驾驶决策规划模块的核心算法开发，包括语义地图、行为预测、决策和轨迹规划
• 参与行车、泊车、主动安全等自动驾驶功能的迭代，利用仿真和数据闭环验证算法效果
• 遵循软件工程最佳实践，与团队协作确保代码质量和研发效率
• 扎实的C/C++编程能力，熟悉面向对象编程、单元测试及CI/CD等机器人软件开发流程
• 深厚的数学基础，熟练掌握概率论、图搜索、数值优化及最优控制理论
• 具备数据融合、机器学习等算法背景，能利用仿真工具评估和量化算法迭代效果

申请策略

• 初速度注重‘将学术与工程结合’，面试中不仅要展现理论深度，更要体现解决实际工程问题的动手能力
• 突出在决策规划、轨迹规划或行为预测相关项目中的核心贡献，强调算法落地效果
• 展示扎实的C/C++工程能力，提及参与过的CI/CD流程、单元测试或大型代码库维护经验
• 若有ICRA/IROS等顶会论文或ADAS/自动驾驶量产项目经验，务必在简历显眼位置展示
• 复习并强化数值优化、图搜索及最优控制理论，准备应对算法推导和手撕代码面试
• 熟悉Apollo、Autoware等开源自动驾驶框架的规划模块，了解业界主流的决策规划算法范式

面试指南

• STAR法则：针对项目经验，清晰阐述背景、任务、具体行动（算法设计/工程优化）和最终量化结果
• 对比分析法：在回答算法选型或技术问题时，从复杂度、实时性、最优性、鲁棒性等多维度对比不同方案
• 请详细介绍你参与过的决策规划项目，遇到了哪些长尾问题，是如何通过算法或工程手段解决的？
• 在轨迹规划中，如何处理动态障碍物和实时性约束？请对比几种常见的规划算法（如A*、Lattice、EM Planner）的优缺点
• 请推导或解释一下数值优化中常用的某种算法（如牛顿法、拟牛顿法、SQP），并在C++中如何实现？
• 如何利用数据闭环和仿真系统来评估和量化决策规划算法的迭代效果？
• 复习自动驾驶规划模块的经典论文和开源代码，准备好白板推导数学公式和手写核心算法逻辑
• 梳理自己过往项目中的失败案例或难点，总结反思经验，展现JD中要求的‘反思精神’和‘稳重耐心’