运动规划算法工程师(博士)

优缺点分析

角色解读

• 技术纵深：从单模块规划算法走向决策-规划-控制全链路架构，成为自动驾驶/机器人系统架构师
• 横向拓展：向感知融合、强化学习决策、具身智能等方向延伸，或在嵌入式实时系统方向形成复合优势
• 行业转型：工程机械智能化经验可迁移到无人农机、矿山无人驾驶、港口自动化、乘用车/商用车自动驾驶等领域
• 负责工程机械整机的运动规划算法，包括全局路径搜索、局部轨迹生成和行为决策，保证轨迹安全、平滑且满足车辆运动学约束
• 与感知、定位、控制团队协同，把算法部署到 Jetson、工控机等嵌入式平台，并在实车/实机测试中定位并解决规划问题
• 同时跟踪决策规划与强化学习的前沿进展，做技术预研和落地可行性评估
• 扎实的运动规划算法功底：熟悉 A*、Hybrid A*、Dijkstra、RRT 等搜索方法，以及 Lattice Planner、EM Planner 等轨迹规划框架
• 具备最优控制与数值优化基础，理解非线性优化、MPC 并能用于轨迹优化
• 工程实现能力要强：熟练 C++14/17、Python、Linux 与 ROS/ROS2，能把算法在嵌入式平台跑通并做到实时
• 还要理解感知、定位模块的输出特性（激光雷达 SLAM、IMU/GNSS），能做不确定性建模与规划决策

申请策略

• 提前了解中联重科在智能化、无人化工程机械方向的业务布局和产品线，面试时能结合具体作业场景（如土方、吊装、矿山）谈规划难点会更加分
• 岗位位于长沙，建议提前确认自己对城市与制造业研发节奏的适配度
• 突出运动规划项目的完整链路：从算法选型（A*/Hybrid A*、Lattice、EM Planner、MPC）到代码实现、仿真验证、实机测试的全过程，写明你负责的模块与量化效果（如轨迹平滑度、规划耗时、成功率）
• 强调 C++14/17 工程能力与 ROS/ROS2 使用经验，最好有在 Jetson 或工控机等资源受限平台做性能优化的案例
• 若有感知/定位协同经验（SLAM、IMU/GNSS 融合、不确定性建模），务必单独列出
• 有强化学习或决策规划预研成果（论文、专利、技术报告）也可作为加分项呈现
• 补齐最优控制与数值优化基础，重点复习 MPC、iLQR 等方法的推导与工程实现细节
• 动手练一遍 ROS2 + Nav2 或 Autoware 的规划模块，理解工业级代码结构与接口设计

面试指南

• STAR + 技术细节：先讲清场景与约束（机型、工况、传感器配置），再讲算法选型理由与对比（为什么用它、替代方案为何不行），最后给出量化结果与反思
• 技术题采用'原理—实现—边界'三层结构：先讲算法核心思想，再讲你代码里怎么落地（数据结构、求解器、频率），最后讲失效场景和兜底策略
• 涉及协同的问题用'接口—不确定性—安全冗余'的思路回答，体现系统思维
• 请介绍一个你做过的运动规划项目，从问题定义到实机落地，遇到的最大困难是什么？
• Hybrid A* 与 Lattice Planner 在你的场景中分别适合什么情况？如何权衡规划质量与实时性？
• 如何用 MPC 处理工程机械的非完整约束和动力学限制？遇到过求解不收敛吗，怎么处理？
• 规划模块如何与感知、定位的不确定性对接？激光雷达 SLAM 或 IMU/GNSS 位姿漂移时，规划层怎么保证安全？
• 在 Jetson 这类算力有限的平台上，你如何做规划算法的性能优化？