机器人导航SLAM 工程师

优缺点分析

角色解读

• 可从建图、定位或规划某一模块的负责人，成长为完整导航技术栈的架构与团队负责人
• 导航与具身智能是当前机器人行业的核心方向，相关能力可迁移到无人车、无人机、人形机器人等多种平台
• 积累真机落地与商用交付经验后，可向算法专家、系统架构师或机器人产品技术负责人方向发展
• 为末端配送、巡检、自动返航、自主对接等场景构建可复用的点对点自主导航能力，覆盖从建图定位到路径执行的全链路
• 使用激光雷达、相机、IMU、轮式里程计与 GNSS/RTK 搭建并调优室内外建图与定位系统
• 实现路径规划、轨迹跟踪、动态避障与故障恢复，并在轮式、四足、人形等多类机器人平台上完成集成
• 在实体机器人上反复测试，持续提升定位精度、路径完成率与系统可靠性
• 扎实的 C++ 工程能力与 Python 脚本能力，熟悉 ROS 2 与 Nav2 导航框架
• 掌握 FAST-LIO2、LIO-SAM、ORB-SLAM3、Cartographer 等主流 SLAM/定位方案，并能按场景进行改造与优化
• 深入理解多传感器融合、状态估计、规划控制与三维几何
• 具备真机部署与参数调试经验，能定位并解决定位漂移、避障失效等现场工程问题

申请策略

• 准备一个可展示的导航 Demo 或项目视频，说明场景、指标与踩过的坑，比罗列技术名词更有效
• 面试前了解公司在具身智能与机器人方向（末端配送、巡检等）的业务布局，便于把个人经验对齐业务目标
• 明确列出使用过的 SLAM 方案（FAST-LIO2 / LIO-SAM / ORB-SLAM3 / Cartographer）及对应场景与最终效果
• 用数据量化导航成果，如定位误差降低幅度、路径完成率、避障成功率、重定位耗时等
• 突出 C++ 工程能力与 ROS 2 / Nav2 实战，包括节点设计、插件扩展、参数调优与性能优化
• 写清真机部署经历：机型（轮式/四足/人形）、传感器配置、现场问题定位与解决过程
• 补强多传感器融合与状态估计理论基础，如 IMU 预积分、图优化、卡尔曼滤波与因子图
• 熟悉 Nav2 的行为树、代价地图与控制器插件机制，做到能自行扩展而非只会调参

面试指南

• 用「场景—方案—指标—问题」结构回答：先讲清场景约束，再说明选型理由，最后给量化结果与迭代改进过程
• 回答工程排查类问题时给出分层思路：传感器数据是否正常 → 标定与时间同步 → 算法参数 → 规划控制联动
• 回答开源方案类问题时，重点说明你做了哪些改造与取舍，而不是只描述调用流程
• 请介绍一个你用 FAST-LIO2 或 LIO-SAM 做过的建图项目，精度如何评估，遇到什么问题？
• 室内外切换场景下，你如何处理 IMU、轮速计与 GNSS/RTK 的融合与传感器失效？
• Nav2 中代价地图和局部控制器参数你通常怎么调？遇到避障失效会如何排查？
• 如何做回环检测与重定位，怎样保证长时间运行的定位稳定性？
• 真机上出现定位漂移或路径跟踪抖动，你的排查思路是什么？