高德-高级定位算法工程师-定位

优缺点分析

角色解读

• 纵向可成长为自动驾驶定位领域的技术专家或首席科学家，主导下一代定位架构的预研与落地
• 横向可向自动驾驶系统架构师发展，统筹感知、定位、规控等全链路算法的协同与优化
• 负责高德车道级定位核心算法的研发，结合传统滤波算法（如ESKF）与深度学习模型（如Transformer、BEV），构建高鲁棒性的定位系统
• 设计多模态传感器（GNSS、IMU、视觉、地图）融合方案，解决高架、隧道、城区峡谷等复杂场景下的定位连续性与稳定性问题
• 推动定位算法的工程化与量产落地，进行实时性优化、异常诊断，并与高精地图、感知、规控等上下游团队协同迭代
• 扎实的自动驾驶定位与组合导航理论基础，熟练掌握ESKF、因子图优化等主流算法及多传感器融合原理
• 精通C++/Python编程，具备深厚的性能优化、系统稳定性分析及复杂问题闭环排查能力
• 熟悉Transformer、BEV等前沿深度学习技术，有端到端定位模型或时序建模的实际开发经验

申请策略

• 提前体验高德地图的车道级导航功能，思考其在复杂路口或高架场景下的表现及潜在优化空间，面试时可作为切入点
• 重点突出在车道级定位、组合导航或多传感器融合方面的实际项目经验，量化定位精度提升或复杂场景解决的效果
• 展示端到端模型（Transformer/BEV）在定位或轨迹预测中的应用经验，体现对前沿技术的掌握与落地能力
• 强调C++/Python工程化能力，包括性能优化、内存管理及线上问题排查闭环的具体案例
• 深入复习因子图优化、ESKF等经典算法的底层数学推导，同时跟进BEV、Occupancy Network等前沿视觉定位技术
• 提升C++底层性能优化技巧，熟悉多线程、内存池及SIMD指令集在实时算法中的应用

面试指南

• 场景问题采用‘问题分析-方案选型-工程实现-效果验证’的框架，先剖析物理场景的退化原因，再针对性引入多源信息或模型，最后用数据指标证明效果
• 算法原理问题采用‘数学推导-代码实现-调优经验’的框架，不仅讲公式，还要讲在实际数据分布下遇到的坑及调参策略
• 在隧道或高架等GNSS拒止/多径效应严重的场景下，你是如何设计融合算法来保证定位连续性的？
• 请详细讲解一下你使用过的因子图优化框架，在构建图模型时如何处理异常值和非线性优化问题？
• 端到端定位模型相比传统规则引擎有哪些优劣势？在实际落地中如何解决其可解释性差和长尾场景泛化能力弱的问题？
• 在C++工程化落地时，你是如何进行算法的实时性优化和资源控制的？遇到过哪些内存或计算瓶颈？
• 准备1-2个自己主导的复杂定位优化案例，详细梳理从问题发现、算法设计到量产落地的全链路细节
• 复习自动驾驶定位领域的最新顶会论文（如CVPR/ICRA/IROS中关于BEV定位、端到端自动驾驶的工作），了解行业前沿动态