定位算法工程师

优缺点分析

角色解读

• 深耕定位算法，成为自动驾驶高精度定位领域的专家
• 向感知、规划控制等上下游扩展，成为系统级架构师
• 向技术管理方向发展，带领团队攻克量产难题
• 研发基于视觉特征的匹配定位方案，包括特征提取、匹配和优化
• 将定位算法部署到高速NOA、记忆泊车和城区NOA等实际场景中，确保鲁棒性和实时性
• 探索端到端匹配定位方案，结合深度学习提升定位精度与泛化能力
• 扎实的计算机视觉与SLAM理论基础，熟悉视觉特征匹配与非线性优化
• 熟练使用TensorFlow或PyTorch等深度学习框架，有相关模型训练经验
• 精通C++编程，熟悉C++11及以上标准，具备良好的工程能力
• 熟悉高精地图、传感器融合及常见滤波算法（如Kalman滤波）

申请策略

• 面试前了解轻舟智航的技术路线和产品节奏，体现对公司的兴趣
• 准备一个完整的定位或SLAM项目案例，从原理到实现细节能清晰阐述
• 突出视觉特征匹配、SLAM或相关深度学习项目经验，附上具体成果（精度、耗时等指标）
• 强调C++工程能力，如高性能代码优化、多线程编程、数据结构应用
• 展示对传感器融合、非线性优化的实际应用案例
• 如有自动驾驶量产经验，重点说明交付效果和场景覆盖
• 补充端到端定位或基于学习的特征匹配的最新论文和开源项目
• 加强C++17/20新特性及工程实践，熟悉常用算法库（如Eigen、Ceres）

面试指南

• 对于算法原理题，先梳理核心步骤，再对比不同方法的性能与适用条件
• 对于工程实践题，结合实际项目经验，强调遇到的挑战和解决方案
• 对于系统设计题，从输入输出出发，拆解模块，讨论权衡（精度vs实时性）
• 请介绍视觉SLAM中特征匹配的常用方法及优缺点
• 如何在高精地图上实现高效定位？传感器融合如何处理异常？
• 讲述一个你用深度学习优化特征匹配或定位精度的项目
• C++中智能指针的使用场景，以及如何避免内存泄漏？
• 非线性优化中Gauss-Newton和Levenberg-Marquardt的区别是什么？