融合定位算法工程师

优缺点分析

角色解读

• 从融合定位算法工程师成长为资深算法专家，主导整体定位与导航方案
• 向机器人感知、SLAM、自动驾驶等更广泛的算法方向横向拓展
• 积累工程与项目经验后可走向技术负责人或算法团队管理方向
• 负责机器人多传感器融合定位算法的研发，融合 RTK、IMU、视觉、轮速等数据进行精准定位
• 将定位算法从研究阶段推进到工程化落地，关注实时性、稳定性与优化
• 参与实际机器人定位方案的设计与实施，解决现场出现的定位问题
• 扎实的状态估计、卡尔曼滤波、非线性优化理论基础
• 熟练的 Linux 环境开发与工程实现能力，通常需掌握 C++ 与相关工具链
• 对 RTK、IMU、视觉、轮速等多传感器特性及融合策略有理解
• 较强的沟通协作与学习能力，能在压力下推进项目

申请策略

• 提前了解中联重科的机器人及智能装备业务方向，面试中体现对应用场景的理解
• 主动与 HR 确认长沙或上海的具体工作地点与团队情况
• 突出多传感器融合定位相关的项目，写清数据来源、融合方法与效果指标
• 量化展示定位精度、实时性、鲁棒性等成果，如误差降低比例、运行频率
• 强调 C++/Linux 工程实现能力及代码质量、模块化经验
• 列出机器人相关竞赛、科研经历或发表的论文专利
• 系统复习卡尔曼滤波、图优化与非线性优化，并准备可复现的代码示例
• 熟悉 RTK/IMU/视觉各自的误差模型与常用融合框架（如滤波与因子图）

面试指南

• 用 STAR 结构讲清项目背景、方案选择、关键技术难点与量化结果
• 先讲理论依据（误差模型/融合策略），再讲工程实现与验证方法
• 遇到不确定问题，展示分析与解决问题的思路，而非死记结论
• 介绍一下你做过的一个多传感器融合定位项目，数据如何同步、如何融合？
• 卡尔曼滤波与非线性优化在定位中的适用场景有何区别？
• IMU 与视觉/轮速融合时如何处理时间延迟与漂移？
• 如何评估与提升定位算法的鲁棒性和实时性？
• 为什么选择中联重科、想在机器人定位方向长期发展？