智能驾驶规控实习生（端到端模型/强化学习方向）

优缺点分析

角色解读

• 在规控领域积累算法和工程经验，可向高级算法工程师或技术专家发展
• 熟悉自动驾驶系统全链路，未来可转向系统架构或团队管理岗位
• 参与前沿技术（如端到端模型、强化学习）的研究，有机会发表论文或专利
• 负责自动驾驶规控算法（轨迹预测、行为决策、路径规划、运动控制）的开发与嵌入式部署
• 基于海量数据研发道路参与者行为预测模型，提升预测的准确性和鲁棒性
• 构建仿真引擎和自动化测试工具链，通过数据闭环持续优化算法性能
• 扎实的编程基础，熟练使用C++/Python等语言，具备良好的工程能力
• 较强的数学功底，理解概率、优化、控制等相关理论
• 熟悉机器学习与深度学习，至少掌握一个深度学习框架，有强化学习或端到端模型经验更佳

申请策略

• 了解地平线自动泊车部的技术方向和产品，面试时展现对该领域的热情
• 准备一个与规控或强化学习相关的项目案例，能够清晰讲解思路和成果
• 重点突出自动驾驶、机器人或相关项目经历，特别是规控、预测、强化学习方向
• 展示编程能力，包括熟练掌握的语言、框架以及代码质量（如GitHub链接）
• 如果有竞赛经历（如无人车、机器人竞赛），务必详细描述角色和成果
• 复习经典机器学习算法和深度学习框架（PyTorch/TensorFlow），并动手实现一些模型
• 学习强化学习基础，如DQN、PPO等，尝试在仿真环境中训练智能体
• 熟悉C++编程，特别是用于嵌入式开发的技巧

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述项目经历，突出个人贡献和技术难点
• 对于算法问题，先阐述基本原理，再结合实际应用场景说明优缺点和选型理由
• 展示系统性思维，如从数据闭环、仿真验证到实车部署的完整流程
• 请介绍一个你参与过的自动驾驶或机器人项目，你在其中负责什么？
• 轨迹预测中常用的算法有哪些？如何评估预测的准确性？
• 强化学习在自动驾驶中有哪些应用？你了解PPO吗？
• 如何设计一个仿真场景库来替代路测？
• 准备2-3个技术深度的项目案例，能够清晰地讲述技术细节和结果