planning算法工程师

优缺点分析

角色解读

• 技术深耕：从规划算法工程师成长为自动驾驶系统架构师或技术专家
• 管理转型：积累项目经验后带领团队，负责规划/建图组的技术方向
• 跨界发展：向感知、决策或端到端全栈方向拓展，成为自动驾驶综合型人才
• 设计自动驾驶规划与建图系统的核心架构，打通高精地图、感知与轨迹生成的链路
• 开发在线建图算法，利用BEV和Transformer模型实时构建局部路网
• 实现运动规划算法，完成从路径生成到轨迹优化的闭环验证
• 将深度学习模型端到端部署到C++运行时，进行系统级性能优化
• 精通现代C++（14/17/20）和Python，具备多线程与内存管理能力
• 扎实的路径规划与机器人学基础，熟悉A*、Hybrid A*、RRT*等算法
• 深入理解坐标系转换、空间几何和状态估计
• 熟悉ROS2/DDS等中间件，具备分布式系统设计能力

申请策略

• 准备一份能体现系统设计能力的项目介绍，包含架构图和技术难点
• 了解滴滴自动驾驶的最新进展（如Voyager的公开演讲或论文），在面试中展示热情
• 突出C++项目经验，尤其是高性能、多线程或实时系统的优化案例
• 详细描述路径规划或相关算法（如A*、RRT*）的实践成果，最好有自动驾驶或机器人背景
• 展示深度学习模型部署经验，如PyTorch→ONNX→C++推理的完整流程
• 如有ROS2或中间件相关项目，务必强调系统设计能力
• 复习现代C++高级特性（如移动语义、内存模型），并练习C++性能调优
• 深入学习BEV感知、Transformer在自动驾驶中的应用，复现相关论文

面试指南

• 系统设计类：先明确需求（实时性、准确率、资源限制），然后给出架构分层（传感器输入、融合、输出），最后分析权衡（缓存、同步、降级策略）
• 算法比较类：从原理、复杂度、适用场景三个维度对比，并举例说明实际应用中的选择依据
• 工程部署类：强调流程（训练→导出→优化→集成），重点说明优化点（算子融合、内存复用、多线程）和验证方法（精度损失测试、延迟测试）
• 如何设计一个实时地图融合模块，保证低延迟和高鲁棒性？
• 请比较Hybrid A*和RRT*的优缺点，并说明在什么场景下选择哪种算法？
• 如何将深度学习模型（如BEV检测）高效部署到C++实时系统？
• 当高精地图与在线感知输出不一致时，如何处理？
• 如何评测规划系统的安全性与舒适性，有哪些关键指标？