行泊一体决策规划算法专家（工程师）

优缺点分析

角色解读

• 技术专家路径：持续深耕决策规划或特定场景（如行车/泊车）算法，成为该领域的顶级专家或架构师
• 技术管理路径：在技术深厚的基础上，逐步承担团队管理、项目规划职责，成长为技术经理或研发总监
• 跨领域发展：凭借对车辆系统的深入理解，可向整体系统架构、产品定义或相关联的感知、控制算法领域拓展
• 负责自动驾驶汽车在停车场场景（如寻找车位、泊车）中的“大脑”部分，即决策和路径规划算法的设计与开发
• 针对停车场特有的复杂情况（如狭窄车位、通道会车、无法挪车等场景）对算法进行特殊优化，提升车辆应对能力
• 将算法代码部署到真实的车载硬件平台上进行测试、调试，并解决实际道路测试中遇到的各类问题，确保功能稳定可靠
• 持续追踪国内外最新的技术发展趋势（如端到端大模型），确保团队技术方案不落后
• 具备扎实的计算机编程功底（C++为主）和算法基础，熟悉Linux和ROS操作系统
• 精通自动驾驶决策规划领域的核心算法，如路径规划（A*）、运动优化（DP、QP）等
• 拥有在自动驾驶公司或部门（Tier1/主机厂）的正式工作经验，尤其在“停车场泊车（PA）”这个特定场景有深入的开发经历
• 了解并能够跟进最前沿的技术方向，例如端到端自动驾驶架构

申请策略

• 仔细研究地平线及其客户（如丰田）在智能驾驶领域的产品规划和技术路线，思考如何贡献你的专长
• 面试中可能涉及系统设计、算法手撕代码和场景问题讨论，请准备好系统性的思考框架和白板编码能力
• 突出在自动驾驶（特别是停车场PA/AVP功能）决策规划领域的具体项目经历和成果（如：通过率、优化指标）
• 详细描述C++工程能力、在Linux/ROS环境下的开发经验以及算法工程化（部署、调试、优化）的具体案例
• 列出掌握的具体算法名称（如混合A*、QP优化等）以及对端到端等新技术的理解或实践
• 强调解决复杂、长尾场景问题的分析能力和实际路测问题跟进的经验
• 深入复习决策规划的经典算法（如A*, RRT, Lattice Planner）和优化理论（DP, QP），能手推或讲解原理
• 学习和实践最新的端到端自动驾驶技术栈（如基于Transformer的感知-规划一体化模型），即使只是了解概念

面试指南

• 问题描述与分解 -> 技术选型与依据 -> 实施过程与难点 -> 验证与结果量化 -> 经验总结与反思
• 从算法原理、实时性、鲁棒性、可解释性、工程复杂度等多个维度进行结构化对比
• 采用系统化设计思路：场景定义 -> 状态感知 -> 决策逻辑 -> 轨迹生成 -> 执行与反馈 -> 异常处理
• 从技术成熟度、数据需求、算力要求、与模块化方案的结合方式等方面，辩证地阐述机遇与挑战
• 请描述一个你在停车场场景遇到的最棘手的决策规划问题，你是如何分析并解决的？
• 请对比分析混合A*和基于优化的（如QP）路径规划方法在PA场景下的优缺点
• 如果让你设计一个能应对‘窄路会车’场景的决策模块，你的整体思路和架构是什么？
• 你如何看待端到端技术路线在行泊一体量产中的应用前景和当前挑战？