ML Planner算法工程师

优缺点分析

角色解读

• 可向自动驾驶核心算法专家路线发展，深入感知-决策-控制全栈技术
• 或转向 AI 平台架构师、技术负责人，主导大型自动驾驶研发项目
• 聚焦自动驾驶场景，利用深度学习模型进行交通参与者行为预测与车辆运动规划
• 搭建并优化在线预测规划系统，保障实时性与安全性
• 负责离线数据 pipeline 建设与模型迭代评估
• 扎实的机器学习/深度学习理论基础
• 精通 Python/C++ 及至少一种主流 DL 框架（PyTorch/TensorFlow）
• 具备自动驾驶 Prediction/Planning 业务经验者更佳
• 优秀的系统设计与工程落地能力

申请策略

• 提前了解滴滴自动驾驶最新技术路线与开源论文
• 准备 1-2 个完整的算法从数据到上线的闭环案例，面试时重点阐述难点与解决方案
• 突出深度学习项目经历，量化模型性能提升指标（如准确率、延迟降低）
• 详细列出 Python/C++ 工程能力及框架使用经验
• 若有自动驾驶 Prediction/Planning 项目务必前置
• 强化 C++ 高性能计算与内存管理知识
• 学习 ROS/CarSim 等仿真工具链
• 补充实时系统优化与模型部署（如 TensorRT）技能

面试指南

• 采用 STAR 法则结构化回答
• 针对性能平衡问题，可从模型轻量化（剪枝/量化）、算子优化、并行计算等维度展开
• 长尾问题强调数据闭环思维与主动学习策略
• 请详细介绍一个你主导的深度学习模型从训练到部署落地的全过程
• 在自动驾驶预测规划任务中，如何平衡模型的精度与实时推理速度？
• 面对长尾场景（Corner Case），你的数据清洗与模型优化策略是什么？
• C++ 与 Python 在算法工程中如何分工协作？
• 复习经典深度学习架构与自动驾驶预测规划算法（如 Transformer-based 预测、MPC/RL 规划）