决策规划算法工程师/专家（行车）

优缺点分析

角色解读

• 技术方向：从规控算法工程师向系统架构师或首席科学家发展，成为自动驾驶决策领域的专家
• 管理方向：可晋升为算法团队负责人或技术经理，带领团队攻克量产难题
• 跨领域：积累自动驾驶全栈经验，未来可转向感知、预测或其他AI应用领域
• 负责自动驾驶系统的行为决策、路径规划和运动控制算法开发，覆盖城区、高速、停车场等多种工况
• 开发基于数据驱动的一段式端到端和两段式规控算法，并进行模型后处理与优化
• 针对量产平台进行算法工程化、调试，分析并解决路测中的泛化问题
• 扎实的C++编程能力，熟悉Linux和ROS开发环境
• 深入理解非线性优化、DP、QP、MCTS、MPC等经典决策规划算法
• 了解端到端技术路线，具备规控算法落地经验者优先

申请策略

• 关注地平线的业务方向和技术博客，在面试中展示对公司量产路线的理解
• 准备一个完整的决策规划项目案例，详细说明从算法设计到工程实现的迭代过程
• 重点突出相关项目经验，尤其是决策规划算法在实车或仿真中的落地成果
• 详细列举掌握的经典优化算法（如MPC、QP）和端到端框架
• 强调C++开发能力和Linux/ROS使用经验，最好有性能优化或嵌入式背景
• 如果对端到端不太熟悉，可以快速学习Behavior Cloning、IL/RL等前沿方法
• 补充自动驾驶仿真工具（如CARLA、SUMO）的使用经验，面试中会有帮助

面试指南

• 对于算法原理问题，先阐述数学基础，再结合实际场景说明优缺点，最后给出改进方向
• 对于工程落地问题，采用“问题-分析-方案-验证”的结构，突出数据驱动和闭环迭代
• 对于编程题，先明确输入输出，选择合适的数据结构，写完代码后分析时间空间复杂度
• 请解释MPC的工作原理及其在自动驾驶中的应用场景
• 如何设计一个端到端行为决策模型？数据闭环如何构建？
• 如何处理城区道路中的强交互场景（如无保护左转）？
• 在量产项目中，算法从仿真到实车会面临哪些泛化问题？如何解决？
• 请用C++实现一个简单的A*路径规划算法，并分析其复杂度