Senior Software Engineer, Planning (Robotics)

优缺点分析

角色解读

• 技术专家路径：深耕自动驾驶规划算法，成为该领域的权威专家，负责核心算法架构设计与创新
• 技术管理路径：凭借出色的技术能力和项目交付，带领小团队或负责特定模块的研发管理
• 跨领域发展：将自动驾驶规划技术迁移至更广泛的机器人、无人机等具身智能领域
• 负责配送机器人从路径规划到运动控制的全栈算法研发，让机器人在复杂环境中安全、高效地移动
• 参与城市公开道路和室内非结构化场景的自动驾驶挑战，解决信号灯、人流、电梯等真实世界难题
• 在仿真平台（如CARLA、Isaac Sim）和实车测试中验证、调试和优化算法，并推动数据闭环建设
• 精通C++和Python编程，熟悉Linux开发环境和ROS/ROS2等机器人中间件
• 掌握自动驾驶规划核心算法（如Lattice、Hybrid A*、POMDP等），并有实车横纵向联合规划经验
• 熟悉强化学习、模仿学习等机器学习方法在规划领域的应用
• 具备强大的工程落地能力，能熟练使用仿真工具并进行实车调试和日志分析

申请策略

• 深入理解配送机器人的应用场景和技术难点，在面试中展现你对“最后一公里”物流挑战的思考
• 准备一个能完整体现你规划算法能力的项目案例，从问题定义、方案设计、实现、测试到结果分析
• 了解Grab的业务和机器人团队的目标，展示你对其使命（解决劳动力短缺、高效配送）的认同感
• 突出3-5年自动驾驶/机器人规划算法的核心项目经验，详细说明你负责的模块、使用的算法（如Hybrid A*、POMDP、RL）和解决的具体问题
• 强调C++/Python工程能力，以及在ROS/ROS2、CARLA、Isaac Sim等平台上的实战经验
• 展示你的算法从仿真到实车部署的完整闭环经验，以及性能优化和数据分析能力
• 如有顶级会议论文或端到端规划的实际部署成果，务必重点展示
• 复习和巩固自动驾驶规划领域的经典与前沿算法（Lattice, RRT*, 深度强化学习规划等）

面试指南

• 采用STAR法则（情境-任务-行动-结果）来结构化你的项目经验，重点突出你的技术决策和量化成果
• 在回答技术方案问题时，先阐述问题场景和约束，再分解方案（如感知输入->行为预测->路径规划->轨迹优化），并讨论不同方案的优劣
• 对于设计类问题，明确核心目标（安全、效率、成本），列出关键技术点（如地图构建、状态估计、决策树、平滑算法），并考虑异常处理
• 请描述一个你负责的、最具挑战性的规划算法项目，你是如何解决其中的核心技术难点的？
• 在存在动态障碍物（如行人、车辆）的交叉路口，你的规划系统是如何进行决策和博弈的？
• 如何评估和优化你的规划算法在安全、效率、舒适性等多个目标之间的平衡？
• 你对端到端规划和模块化规划有何看法？在实际产品中你更倾向哪种方案？为什么？
• 请设计一个简单的算法，让机器人在有电梯的室内环境（多层楼）中完成配送任务