自动驾驶规控算法工程师/PnC（运动规划）

优缺点分析

角色解读

• 技术深耕：成为规控算法专家，主导核心模块的设计与优化
• 架构师方向：逐渐熟悉自动驾驶整体软件架构，参与系统级设计
• 管理路径：有机会带领团队，负责规控算法团队的技术规划与交付
• 设计和优化自动驾驶系统的行为决策、路径规划和运动控制算法，覆盖城区、高速和停车场等场景
• 通过仿真和实车测试验证算法性能，并移植到嵌入式量产平台上运行
• 跟踪学术界和工业界前沿技术，持续提升规控算法的安全性和舒适性
• 精通C++和Python，熟悉Linux和ROS开发环境，具备扎实的工程实现能力
• 熟悉经典规控算法如非线性优化、DP、QP、混合A*、Lattice、MPC、PID等
• 了解轨迹预测和强化学习算法，如Vectronet、TNT、DQN、DDPG等

申请策略

• 了解地平线的芯片和平台（如征程系列），在简历中体现对软硬件协同的认识
• 关注公司官网或技术博客，准备对自动驾驶行业趋势的见解
• 突出规控相关项目经验，包括算法设计、仿真验证和实车测试成果
• 强调C++和Python编程能力，特别是Linux/ROS下的开发经历
• 展示对经典算法和前沿算法（如强化学习）的理解，如有开源贡献更佳
• 复习非线性优化、MPC、Lattice等规控算法的原理和代码实现
• 学习Apollo或Autoware的规控模块源码，理解实际工程落地细节
• 补充轨迹预测或强化学习相关知识，尝试小项目实践

面试指南

• 对于原理类问题，先阐述算法核心思想，再结合具体场景说明参数设计和调优
• 对于项目类问题，采用STAR法则：情境、任务、行动、结果，突出个人贡献和难点突破
• 对于开放性问题，先表明观点，再用技术细节支撑，最后引导回自身经验
• 请解释MPC的原理，以及在车辆控制中如何设计cost function和约束？
• 如何评估和优化规控算法在极端工况（如暴雨、雪天）下的表现？
• 你有过实车测试经历吗？遇到最棘手的问题是什么？如何解决的？
• 请比较DP和QP在路径规划中的应用场景和优劣
• 你对强化学习在规控中的应用怎么看？是否有相关经验？