PnC专家（行泊一体方向）

优缺点分析

角色解读

• 深耕自动驾驶决策规划领域，逐步成为技术专家或算法架构师，主导核心算法方向
• 向全栈自动驾驶系统方向发展，扩展感知、控制、系统集成等能力，成为技术负责人
• 积累量产项目经验后，可向技术管理岗位（如团队Leader、技术总监）转型
• 负责泊车及中低速场景自动驾驶系统的数据挖掘、生产、评测与模型调试，通过数据驱动优化算法性能
• 参与行泊一体功能的开发与迭代，如APA、三点/多点掉头、车位到车位等关键特性
• 搭建和优化数据闭环链路，设计数据筛选、清洗、标注、回流策略，提升模型在长尾场景下的鲁棒性
• 推进合成数据方案，结合真实数据解决极端工况，显著提升模型泛化能力
• 精通决策规划算法，具备工程实践经验，能利用仿真和闭环评估迭代效果
• 深度掌握数据闭环技术，有量产项目数据驱动性能提升的实战落地经验
• 熟悉合成数据方法，具备将其应用于长尾场景补充的实战经验
• 扎实的编程能力（如C++/Python），熟悉深度学习框架和大规模训练工具

申请策略

• 研究地平线最新的行泊一体产品方案，在面试中展现对其技术路线和量产痛点的理解
• 准备一个完整的数据驱动算法迭代案例，用STAR法则清晰呈现从问题到效果提升的全过程
• 重点突出决策规划算法的工程落地经验，尤其是量产项目中数据驱动性能提升的具体案例
• 强调数据闭环链路搭建经验，包括数据筛选、清洗、标注、回流策略的设计与效果量化
• 如有合成数据相关项目，详细描述方法、场景及性能提升数据
• 展示在ICRA、IROS等顶会发表论文的经历，或大规模模型训练经验作为加分项
• 提前系统复习决策规划经典算法（如A*、RRT、Lattice Planner、MPC等）并练习仿真评估
• 学习主流数据闭环框架（如Waymo Open Dataset、NuPlan等）及合成数据工具（如CARLA、GTA5）

面试指南

• 用具体项目案例回答，遵循问题定义→方案设计→执行难点→量化结果的逻辑
• 对于开放性问题，先结构化分析（如从数据、算法、系统等维度），再结合自身经验阐述
• 展示技术深度时，同时体现工程思维，强调量产落地的考量（如计算资源、实时性、稳定性）
• 请详细介绍你主导的数据闭环项目，如何设计筛选策略并量化提升效果？
• 在泊车场景中，如何解决窄车位或杂乱环境的规划难题？遇到过哪些长尾问题？
• 合成数据与真实数据如何协同？请举例说明合成数据提升模型性能的具体方法
• 如何评估决策规划算法的鲁棒性？仿真与实车测试如何结合？
• 谈谈你对行泊一体技术趋势的看法，以及地平线在该领域的优势与挑战