行泊一体决策规划算法专家（工程师）

优缺点分析

角色解读

• 可以向更资深的算法专家或技术负责人方向发展，主导更复杂的模块或系统
• 可以深入探索端到端自动驾驶等下一代技术路线，成为该领域的引领者
• 凭借对量产流程的深刻理解，可向技术管理或产品规划方向拓展
• 针对停车场等复杂场景，设计和开发行为决策与路径规划算法
• 优化算法在窄路汇车、脱困等特殊工况下的性能表现，提升通过率
• 负责算法从研发到量产的工程化落地，解决实际路测中遇到的泛化问题
• 持续跟踪并应用自动驾驶决策规划领域的国际前沿技术
• 扎实的C++编码能力和对Linux、ROS开发环境的熟练掌握
• 深入理解非线性优化、动态规划(DP)、二次规划(QP)、混合A*等经典决策规划算法
• 对自动驾驶端到端技术等前沿方案有了解和实践经验
• 具备丰富的自动驾驶算法工程化与量产调试经验，特别是停车场场景

申请策略

• 在面试前，深入研究地平线在行泊一体解决方案上的公开技术分享或白皮书，了解其技术路线和产品
• 准备一个能完整讲述的、关于解决复杂场景（如窄路会车）算法问题的项目案例，涵盖问题分析、方案设计、实现与验证
• 重点突出使用C++在自动驾驶决策规划模块的项目经验，特别是涉及停车场、低速场景的算法设计
• 详细描述参与算法工程化、解决实际路测问题的经历，体现从研发到落地的全链路能力
• 如有端到端、强化学习或相关前沿算法的实践经验或深入研究，务必清晰呈现
• 系统复习并深化对混合A*、QP等规划算法的理解，并准备相关代码或项目案例
• 深入研究端到端自动驾驶的主流技术架构（如UniAD等），理解其与传统模块化的优劣
• 针对工程化方面，可以补充容器化(Docker)、性能分析工具等方面的知识

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地讲述个人项目经验
• 回答技术原理问题时，先阐述核心思想，再结合实际应用场景中的约束和取舍进行分析
• 对比技术方案时，避免绝对化结论，可以从性能、可解释性、数据依赖、部署成本等多个维度进行客观比较
• 请描述一个你处理过的最具挑战性的自动驾驶场景规划问题（例如窄路汇车），你是如何分析和解决的？
• 请解释混合A*算法的基本原理，以及它在实际工程应用中可能遇到的局限性
• 你如何看待端到端自动驾驶方案与当前主流模块化方案的优缺点？在停车场场景下，你认为哪种方案更有前景？
• 在将一个新算法部署到量产车平台上时，你会考虑哪些工程化问题？如何验证其泛化能力？
• 复习决策规划领域的核心算法，并思考它们在实际量产中的适配与优化方法