【HSA】自动驾驶泊车决策规划算法工程师

优缺点分析

角色解读

• 从算法工程师逐步成长为规控领域专家，主导复杂场景算法方案设计
• 可向技术Leader或架构师方向发展，带领团队攻克技术难题
• 积累量产经验后，可横向拓展至感知、定位等其他自动驾驶模块，或转向系统架构岗位
• 设计和开发自动泊车场景下的决策与路径规划算法，确保车辆安全、高效地完成泊车
• 利用仿真或实车数据进行算法测试与优化，提升稳定性与性能
• 遵循系统工程和软件工程最佳实践，与团队协作推进量产级算法落地
• 扎实的C++和Python编程能力，熟悉Linux和ROS开发环境
• 深入理解非线性优化、DP、QP、混合A*、MPC、PID等经典规控算法
• 了解自动驾驶软件架构和量产开发流程，有Apollo等开源项目经验更佳

申请策略

• 了解地平线的泊车产品和技术路线，面试中展示对自动驾驶量产挑战的思考
• 强调自己的沟通协作能力，因为岗位需要与多个团队配合
• 突出C++/Python编程项目经验，特别是Linux/ROS下的算法实现
• 重点展示与规控算法相关的项目或研究经历，如MPC、路径规划、优化求解等
• 如果有Apollo、Autoware等开源项目参与经历或量产算法经验，务必强调
• 深入复习非线性优化理论（如凸优化、QP求解器）和经典规划算法（混合A*、Lattice）
• 动手实践Apollo或Autoware的规划模块，理解其代码架构
• 学习自动驾驶仿真工具（如CARLA、LGSVL）和实车测试流程

面试指南

• 对于算法原理问题：先给出定义和核心思想，然后结合具体场景分析利弊，最后说明实际工程中如何改进
• 对于系统设计问题：明确输入输出，分解为感知-决策-规划-控制模块，考虑失败模式和冗余设计，强调安全性和鲁棒性
• 对于项目经历问题：采用STAR法则，重点描述你的贡献、技术难点和量化成果
• 请详细解释混合A*算法的工作原理及其在泊车场景中的应用
• 如何设计一个安全可靠的泊车决策规划系统？需要考虑哪些边界情况？
• 描述一个你解决过的复杂算法优化问题，包括分析过程和最终方案
• 如果实车测试发现规划路径有碰撞风险，你的排查和修复思路是什么？
• 你对自动驾驶规控领域的最新趋势有哪些了解？比如基于学习的规划方法