横向规划算法工程师_XC

优缺点分析

角色解读

• 在自动驾驶核心算法领域深耕，从横向规划专家向全栈规划算法架构师发展
• 随着端到端自动驾驶技术的演进，可转型为端到端规划与决策系统的技术负责人
• 负责自动驾驶横向规划算法的设计与研发，解决复杂路况下的变道、绕行等场景问题
• 设计和优化DDP/ILQR等求解器，进行规划问题建模与数值稳定性分析
• 推动End-to-End Planning与传统优化规划的融合，并负责算法在不同计算平台上的量产落地与性能优化
• 扎实的最优化与控制理论基础，深入理解DDP、iLQR、MPC、QP等优化方法及Solver原理
• 具备时空联合规划算法经验，熟悉车辆运动学/动力学模型及轨迹优化方法
• 熟练掌握C++和Python，具备较强的算法实现、工程开发及性能优化能力

申请策略

• 准备1-2个在复杂路况下解决横向规划难题的具体案例，展示你的问题拆解与攻坚能力
• 了解公司在自动驾驶领域的最新量产项目和技术路线，面试时展现对业务的理解
• 突出在DDP、iLQR、MPC等优化求解器方面的实际项目经验和Debug能力
• 详细展示时空联合规划算法的设计过程，以及在复杂场景（如变道、绕行）下的攻坚成果
• 强调C++工程实现能力，以及在计算平台上进行算法裁剪、实时性优化的量产落地经验
• 深入学习End-to-End Planning的最新进展，了解模型输出与传统优化融合的前沿方案
• 复习并强化车辆动力学模型及数值优化理论，提升Solver调优与数值稳定性分析能力

面试指南

• STAR法则：针对具体场景（Situation），明确任务目标（Task），阐述你采用的算法设计与优化策略（Action），最后用量化指标说明安全性、稳定性或实时性的提升结果（Result）
• 理论结合实践：在回答优化理论问题时，先简述数学原理，然后结合你在实际项目中的Solver Debug或改造经验进行说明
• 请详细描述你在时空联合规划算法中是如何进行问题建模和约束设计的？
• 在DDP或iLQR求解器调优过程中，你遇到过哪些数值稳定性问题？是如何解决的？
• 针对End-to-End Planning的输出，你设计了哪些后处理策略来保证横向轨迹的安全性和舒适性？
• 在量产落地时，你是如何针对不同计算平台进行算法裁剪和性能优化的？
• 复习最优化理论（特别是DDP、iLQR、MPC的推导与实现细节），并准备好相关代码或项目细节
• 梳理过往自动驾驶量产项目中的Corner Case，总结你在复杂场景下的规划算法解决思路