行车决策规划算法工程师

优缺点分析

角色解读

• 纵向可成长为自动驾驶算法专家或首席科学家，主导下一代智驾规划控制架构
• 横向可拓展至自动驾驶系统架构师或技术管理岗，负责跨模块的技术统筹与团队管理
• 负责自动驾驶车辆的行车决策与运动规划算法研发，解决复杂交通场景下的路径规划问题
• 运用数值优化、现代控制理论及机器学习方法，提升算法在不确定环境下的鲁棒性与实时性
• 使用C++进行核心算法的编程实现与工程落地，参与主流Planning算法框架的搭建
• 扎实的数理基础与C++编程能力，熟练掌握数值优化、凸优化及全局优化算法
• 深入理解MDP/POMDP等决策模型，以及Hybrid A*、MCTS等基于搜索的运动规划算法
• 掌握现代控制理论（如MPC、最优控制）及经典机器学习方法（如RL、概率图模型）

申请策略

• 提前了解吉利汽车在智能驾驶领域的最新技术路线及量产车型规划，面试时展现对公司业务的理解
• 重点突出在数值优化、运动规划（如Hybrid A*、MPC）及强化学习等方向的项目经验与理论深度
• 展示C++编程能力与算法工程化经验，特别是主流Planning算法框架的搭建与性能优化成果
• 若有自动驾驶相关量产项目或知名开源项目贡献，需详细描述解决的具体技术难题及业务收益
• 深入学习现代控制理论与凸优化，熟悉MPC等算法在实车控制中的调参技巧与边界处理
• 提升C++代码性能优化能力，了解自动驾驶中间件（如ROS2、Cyber RT）及系统部署流程

面试指南

• 算法原理题：采用“背景/问题定义 -> 核心数学模型/公式推导 -> 算法流程/伪代码 -> 优缺点及改进”的结构
• 项目经验题：使用STAR法则，重点突出“复杂环境下的决策逻辑”、“算法性能优化（耗时/成功率）”及“实车落地效果”
• 请详细讲解你熟悉的基于搜索的运动规划算法（如Hybrid A*或State Lattice），并对比它们的优缺点
• 在不确定环境下，你是如何建立MDP/POMDP模型并设计求解算法的？
• 请推导或讲解MPC（模型预测控制）的核心原理，以及在自动驾驶规划控制中如何处理约束条件
• 在你的项目中，如何将强化学习（RL）或IRL应用于决策规划？遇到了哪些挑战，如何解决的？
• 面对长尾场景（Corner Case），你的决策规划算法是如何保证安全性和鲁棒性的？
• 复习凸优化、现代控制理论及经典规划算法的底层数学推导，确保能白板手写核心公式或伪代码