决策规划算法工程师

优缺点分析

角色解读

• 在技术深度上，可向规划算法专家、首席规划架构师方向发展
• 在工程广度上，可负责更大模块（如预测-决策-规控全链路）的技术负责人
• 也可转向算法管理岗位，带领团队攻克智能驾驶核心技术难题
• 负责将预测模型输出转化为安全、舒适的车辆行驶轨迹，包括筛选、排序和优化
• 设计处理复杂交通场景（如无保护路口、人车混行）的博弈与规避策略
• 优化算法性能以满足实时性要求，并参与构建仿真评测系统以保障量产质量
• 深度参与算法从研发到量产落地的全链路，定位问题并推动改进
• 扎实的决策规划理论基础，精通iLQR、MPC等轨迹优化算法
• 熟悉车辆运动学/动力学，具备C++和Python的高性能工程化部署能力
• 了解端到端或生成式模型的训练与推理流程
• 具备构建仿真测试体系与处理长尾场景的经验

申请策略

• 研究小米汽车的自动驾驶技术路线和公开进展（如全栈自研、城市NOA等），在面试中展现你的行业洞察和热情
• 准备一个关于你如何解决某个复杂驾驶场景（如无保护左转）决策规划问题的详细案例
• 突出2-3年智驾决策规划相关的具体项目经验，详细描述所用的算法（如MPC、iLQR）和解决的场景
• 强调算法工程化能力，包括性能优化（时延、稳定性）、C++/Python部署及与仿真系统的集成经验
• 量化项目成果，例如在仿真或实车测试中安全通过率、效率或舒适性指标的提升
• 如有强化学习或生成式模型在规划中的应用经验，应作为亮点单独说明
• 复习并深化iLQR、MPC等优化控制理论，准备相关的原理和实现细节问答
• 了解行业主流的仿真工具（如CARLA, LGSVL）和闭环评测方法

面试指南

• 使用STAR法则（情境、任务、行动、结果）来结构化回答项目经验问题
• 对于技术设计问题，遵循‘问题分析 -> 算法选择/设计原理 -> 关键创新点 -> 工程实现与挑战 -> 结果验证’的逻辑链
• 在回答系统设计问题时，体现系统性思维，考虑算法模块的输入输出、与其他模块（预测、控制）的接口、以及失效处理机制
• 请描述一个你负责的轨迹规划项目，如何从算法选择、设计到工程优化来实现最终效果？
• 在一个复杂路口，多个交通参与者意图不明，你的规划算法如何进行交互博弈并保证安全？
• 当端到端模型输出的轨迹质量不稳定时，你的后处理算法（重排序、修正等）具体如何设计和工作？
• 如何评估一个决策规划算法的优劣？你会设计哪些仿真测试场景和指标？
• 请解释MPC（模型预测控制）在轨迹规划中的应用，其优缺点是什么？