地平线
【2027届校招】规划控制算法工程师
【2027届校招】规划控制算法工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
仿真平台
数据闭环
深度学习
自动驾驶
行为决策
路径规划
轨迹预测
运动控制
值不值得投
81综合评分
综合评分 81
头部自动驾驶企业校招核心算法岗，技术栈前沿、成长空间大，但研发节奏快、需常驻线下办公
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
3.3万
比自动驾驶中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 430 个在招 · 其中自动驾驶 41 个
市场机会
选择面较广
北京 · 自动驾驶 · 约 200 个在招
职位详情
关于这个职位
本职位专注于自动驾驶核心算法的研发与落地，涵盖轨迹预测、行为决策、路径规划及运动控制模块的设计与嵌入式部署
同时负责搭建云端仿真平台与数据闭环工具链，通过高保真场景库与自动化测试体系，全面提升车辆在复杂真实路况下的安全应对能力
最低要求
硕士及以上学历，计算机、自动化、机械电子工程及导航等相关专业优先
熟练使用C++/C/python等主流编程语言中的一种
具有良好的数学功底
具备团队协作精神，有较好的表达和沟通能力
工作职责
负责轨迹预测、行为决策、路径规划和运动控制等算法开发，并完成嵌入式量产平台部署
基于海量数据进行道路参与者行为预测算法研发，设计高性能、高准召、高稳定的预测模块
开发交互式决策和预测模型，改善自动驾驶车辆在复杂环境中的应对能力
负责自动驾驶系统产品级仿真引擎的架构设计，仿真平台自动化测试及可视化工具链的构建
构建可扩展的云端仿真框架，以在集群环境中运行批量仿真模拟，减少云端部署和运行成本
构建完善仿真场景库替代大部分路测，同时生成挑战性的场景增广路测能力
建立数据自动标注、难例批量挖掘和分析机制工具链，通过数据闭环持续提升算法能力
优先资格
熟悉常见机器学习算法及模型，掌握至少一个深度学习框架(TensorFlow, PyTorch...)
具有强化学习/逆强化学习相关内容研究经历
具有无人车 / 无人机 / 机器人竞赛经验
具有无人车 / 无人机 / 机器人决策、规划、控制工作经验
AI 洞察
优缺点分析
优点
- 聚焦自动驾驶核心决策规划赛道，技术壁垒高，行业稀缺性强
- 接触海量真实路测数据与云端仿真平台，能快速积累工程化落地经验
- 依托成熟车企合作背景，算法成果可直接走向量产应用，职业背书价值高
- 团队技术氛围浓厚，有利于应届生建立完整的AI算法研发与部署知识体系
- 复杂场景建模与长尾问题攻关难度大，需持续跟进前沿论文与开源社区
- 项目交付节点紧凑，仿真测试与数据闭环迭代节奏较快
- 适合数学基础扎实、热爱自动驾驶技术、具备较强代码实现能力与工程落地意识的应届硕士毕业生
缺点 / 挑战
- 算法研发与嵌入式部署双重压力，需兼顾理论创新与底层性能优化
角色解读
- 纵向深耕：从算法工程师进阶为高级算法专家或技术负责人，主导核心决策规划模块架构
- 横向拓展：向自动驾驶全栈系统、仿真测试验证或AI底层算力优化方向延伸
- 行业跃迁：积累量产落地经验后，可向智能座舱、机器人控制或泛AI决策领域转型
- 研发自动驾驶车辆的核心感知决策算法，包括轨迹预测、行为决策、路径规划与运动控制模块
- 将算法模型部署至嵌入式量产平台，确保在车载芯片上的实时性与稳定性
- 搭建云端仿真引擎与数据闭环工具链，通过自动化测试与场景库构建替代部分实车路测
- 利用数据自动标注与难例挖掘机制，持续迭代优化算法在复杂交通环境中的表现
- 扎实的数学基础与编程能力，熟练掌握C++/Python进行算法实现与性能优化
- 深入理解轨迹预测、行为决策、路径规划及运动控制等自动驾驶核心算法原理
- 熟悉主流深度学习框架（PyTorch/TensorFlow），具备强化学习或逆强化学习研究背景者优先
- 具备仿真平台架构设计能力，了解数据闭环、自动化测试与可视化分析流程
申请策略
- 提前了解地平线芯片生态（BPU架构）及车载中间件（如ROS2/Autoware）基础
- 准备1-2个完整的项目复盘，重点说明算法选型依据、难点突破与量化指标
- 突出硕士期间与路径规划、运动控制、轨迹预测相关的课题或项目经历
- 详细列出C++/Python实际项目中的算法优化细节（如复杂度降低、推理加速）
- 强调参与过无人车/机器人竞赛或拥有相关决策控制实战经验
- 展示对仿真平台搭建、数据闭环或自动化测试工具的实操成果
- 巩固概率论、线性代数、最优化理论等数学基础，熟悉卡尔曼滤波与贝叶斯推断
- 动手复现经典规划控制算法（如A*/RRT*, MPC, LQR），并尝试移植至嵌入式环境
面试指南
- STAR法则+量化结果：按情境-任务-行动-结果结构阐述项目，重点突出算法指标提升比例与耗时优化数据
- 理论结合工程：回答算法问题时先讲清数学原理与假设条件，再延伸至代码实现、边界处理与部署适配
- 系统性思维：针对长尾问题，从数据采集、难例挖掘、仿真注入到线上监控，给出端到端的解决链路
- 请详细描述你做过的一条路径规划或运动控制算法，其核心公式与工程实现难点是什么？
- 如何在计算资源受限的车载嵌入式平台上，保证预测与控制算法的实时性？
- 面对长尾场景（Corner Case），你会如何通过数据闭环与仿真手段提升算法鲁棒性？
- 请对比一下传统优化方法（如MPC）与基于数据驱动方法（如强化学习）在决策控制中的优劣
- 给定一段C++代码片段，指出其中的内存泄漏风险或并发安全问题
职位点评
薪资福利82
成长发展92
工作生活58
使命价值85
薪资福利
82较高
JD未明确披露薪资福利，但作为已上市大型企业的核心算法校招岗，通常能提供符合市场水准的薪酬包与标准五险一金，稳定性与基础保障较好。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
92较高
岗位直接对接自动驾驶最前沿的决策规划与仿真数据闭环技术，技术栈高度契合AI与机器人交叉领域，能为应届生提供极佳的技能成长与项目历练平台。
技术前沿前沿/新兴技术
技术栈C++、Python、TensorFlow、PyTorch、强化学习、路径规划、运动控制、数据闭环
业务类型profit_center
工作生活
58较低
JD未明确提及办公模式与工时安排，硬件与算法研发类岗位通常需常驻线下实验室或园区，项目迭代期可能存在一定的工作强度。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
自动驾驶技术直接关联交通安全与出行效率提升，属于国家大力扶持的新兴战略赛道，社会正向影响力显著且行业处于高速发展期。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs