L4决策规划算法工程师/专家

优缺点分析

角色解读

• 可向技术专家方向发展，深入自动驾驶决策规划核心算法
• 也可向团队管理或技术负责人发展，带领算法团队攻克难题
• 随着自动驾驶商业化落地，有机会参与更高级别系统架构设计
• 负责L4级别自动驾驶决策规划算法的研发与迭代，包括行车和泊车场景的轨迹规划
• 参与端到端自动驾驶系统中决策规划模块的设计、训练、部署与优化，处理极端场景和长尾问题
• 与感知、预测、控制、仿真团队紧密协作，推动下一代自动驾驶系统落地
• 优化算法在嵌入式平台上的性能、时延和工程化效率
• 扎实的决策规划、数值优化、计算几何、搜索/推理算法基础
• 年以上C++开发经验，熟悉NOA/APA/LCC等量产智驾功能
• 了解端到端自动驾驶模型（如Transformer、扩散模型、模仿学习/强化学习）
• 具备良好的问题拆解、技术攻坚和跨团队协作能力

申请策略

• 提前了解轻舟智航的技术路线和产品落地进展，在面试中展现对公司的认可
• 准备一个完整的决策规划项目案例，展示从问题分析到解决方案的思考过程
• 突出决策规划算法的项目经验，尤其是NOA/APA/LCC等量产功能
• 强调C++编程能力，以及数值优化、计算几何等理论基础
• 如有端到端模型或自动驾驶仿真、数据闭环经验，务必详细展示
• 建议补充端到端自动驾驶模型（如Transformer、模仿学习）的实践经验
• 熟悉自动驾驶仿真工具（如CARLA、SUMO）和数据闭环平台
• 了解嵌入式平台（如GPU、ARM）上的算法优化方法

面试指南

• 使用STAR法则：阐述场景、任务、行动和结果
• 对于技术问题，先分析问题本质，再提出多种解决方案并对比优劣，最后落地实现
• 请描述你在NOA/APA项目中负责的决策规划模块，以及如何解决实际场景中的难点
• 如何处理自动驾驶中的长尾场景（如鬼探头、加塞等）？从算法和工程角度说明
• 端到端模型与传统模块化方法相比有哪些优势和挑战？你对端到端决策规划的理解
• 如何优化决策规划算法在嵌入式平台上的实时性能？
• C++中常用的数据结构对算法性能有何影响？请举例说明
• 复习决策规划经典算法（如A*、DWA、Lattice Planner、MPC等）及最新论文