规控算法工程师/专家

优缺点分析

角色解读

• 从算法工程师晋升为技术专家，主导核心算法模块的迭代和优化
• 横向扩展至系统架构或技术管理岗位，领导团队完成机器人整体方案设计
• 深入前沿领域（如具身智能、端到端学习），成为行业顶尖研究者
• 设计并实现人形机器人的全局路径规划和局部轨迹优化算法，确保在复杂狭窄环境中实时避障
• 开发高鲁棒性的控制器（如MPC、LQR），保证机器人精准平滑地跟踪轨迹
• 与感知定位团队协作，完成系统集成和联调，优化整体算法性能
• 探索强化学习等智能方法，提升规划与控制的适应性和效率
• 扎实的C++编程能力，熟悉Linux环境和Shell脚本
• 精通至少一种规划算法（A*、RRT、Lattice Planner等）和控制理论（PID、LQR、MPC）
• 熟悉车辆或机器人运动学模型（如自行车模型、差速模型）
• 具备强化学习、模仿学习或VLA经验者优先

申请策略

• 申请时附上一份技术博客或项目报告，展示对机器人算法的深度理解
• 提前了解智元机器人的产品方向和技术路线，在面试中体现匹配度
• 突出机器人相关项目经验，尤其是规划与控制算法的实际应用案例
• 强调C++和Linux编程能力，可附上GitHub代码仓库链接
• 如果参与过强化学习或机器人竞赛，务必详细描述技术贡献
• 展示跨团队协作和系统集成经验
• 若对MPC或LQR不熟悉，建议补充最优控制理论和仿真实践
• 练习ROS或类似机器人中间件的使用，熟悉仿真调试流程

面试指南

• 先阐述基本概念和原理，再结合具体场景分析适用性
• 用STAR法则描述项目经验：情境、任务、行动、结果
• 展示系统性思维：从问题定义、算法选型、实现到调优的全链路思考
• 请比较LQR和MPC的优缺点，并说明在什么场景下选择哪种控制器？
• 如何设计一个在狭窄停车场环境下的实时路径规划算法？
• 描述一个你调参PID或MPC的案例，遇到了哪些问题？
• 强化学习在机器人控制中有什么优势？你如何设计奖励函数？
• C++中如何实现高效的数据结构来支持实时规划？