1. 岗位能力画像与简历优化模板
机器人感知算法工程师是自动驾驶、机器人、无人机等领域的关键角色。本章从岗位能力拆解出发，帮你在简历和面试中精准定位自身优势，掌握大厂筛选逻辑。
💡 岗位能力画像核心理念：面试官通过五个维度交叉验证你的能力，缺少任何一环都会成为短板。简历和面试回答都要体现“数学 → 算法 → 工程 → 领域”的闭环。
---
🔥 问答卡片 1：核心能力拆解
问题：机器人感知算法工程师需要具备哪些核心能力？
回答框架
- 数学基础：线性代数（旋转矩阵、变换） + 概率统计（滤波、状态估计） + 最优化（Bundle Adjustment）
- 编程能力：C++（内存管理、模板）、Python (numpy、pytorch)、ROS (节点通信、bag)
- 感知算法：SLAM（ORB-SLAM、LIO-SAM）、目标检测（YOLO）、点云处理（PCL、ICP）
- 工程落地：嵌入式移植、实时性优化（多线程、NEON）、传感器标定
- 领域知识：多视图几何、IMU预积分、卡尔曼滤波、深度估计
简短示例
“我熟悉多传感器融合SLAM，在项目中基于LIO-SAM框架融合LiDAR与IMU，定位精度达到5cm，并优化了前端特征提取速度30%。”
追问方向
- 你如何证明你对非线性优化的理解？说一说BA的雅可比推导。
- 你在项目中用了哪些C++11/14特性？遇到过内存泄漏如何解决？
⚠️ 避坑：不要只说“熟悉SLAM”，要具体到框架名称和你的改进点。避免泛泛而谈“了解深度学习”，需说明你在感知任务中的实际应用。
🔥 问答卡片 2：简历项目优化
问题：如何针对该岗位优化简历中的项目描述？
回答框架
- STAR法则：背景(S) → 任务(T) → 行动(A) → 结果(R)
- 量化成果：精度指标（RMSE、ADE）、速度指标（FPS、延迟）、规模（数据量、传感器数量）
- 关键词匹配：从JD中提取高频词，如“多传感器融合”、“实时”、“松/紧耦合”
简短示例
“项目：基于多传感器融合的配送机器人定位系统
S：室内仓库环境，弱GPS，需要长期稳定定位
T：融合激光雷达、IMU、轮式里程计，实现厘米级定位
A：采用LIO-SAM框架，设计滑动窗口+边缘化策略，并优化了IMU预积分
R：定位精度0.08m，延时<20ms，在3000㎡仓库连续运行6小时无漂移”
追问方向
- 你的滑动窗口大小如何确定？边缘化为什么选择舒尔补？
- 如何验证你的改进模块比原始框架提升了多少？有没有ablation study？
⚠️ 避坑：避免使用“负责”、“协助”等弱动词，全部替换为“实现”、“设计”、“优化”。不要遗漏传感器类型和框架名称。
🔥 问答卡片 3：简历关键词清单
问题：面试官最看重简历中的哪些关键词？
回答框架
| 类别 | 核心关键词 | 常见负面词 |
|---|---|---|
| 算法模块 | SLAM、VIO、LIO、点云配准、多视图几何 | 了解、接触过 |
| 框架/工具 | ORB-SLAM2/3、LIO-SAM、GTSAM、Ceres、g2o | 用过、跑过 |
| 编程技能 | C++、ROS、Eigen、OpenCV、PCL | 熟悉、掌握（无量化） |
| 传感器 | LiDAR（机械/固态）、IMU（6轴/9轴）、相机（双目/鱼眼） | 多种传感器 |
| 优化技术 | 图优化、非线性优化、滤波（EKF/UKF/IEKF） | 优化（笼统） |
简短示例
“简历中出现‘实现了基于GTSAM的紧耦合VIO系统，融合双目视觉与IMU，在KITTI上ATE 0.12m’——面试官会立刻标记为加分项。”追问方向
- GTSAM中的因子图如何构建？你用过哪些边缘化策略？
- 为什么你的VIO选择紧耦合而不是松耦合？
⚠️ 避坑：不要堆砌所有关键词，每个关键词必须有项目经历作为证据。避免出现“熟悉ROS”却不写具体节点设计。
---
🏢 公司侧重点对比
| 公司 | 侧重点 | 常见面试风格 |
|---|---|---|
| 大疆 | 无人机视觉里程计、自主避障、低延时SLAM | 手推公式（EKF、BA）、性能优化问题多 |
| 百度Apollo | 多传感器融合、高精地图、GNSS+IMU+LiDAR | 注重系统工程和代码规范，喜欢问scale |
| 美团 | 配送机器人/无人车、低成本传感器方案、室内定位 | 追问落地细节，如如何解决电梯场景 |
| 特斯拉 | 纯视觉深度估计、IMU+视觉融合、实时性 | 思维深度、问题抽象能力强，常问design |
💡 投递策略：根据公司侧重点调整简历中的项目权重。例如投大疆强化VIO和实时优化，投百度强调多传感器融合经验。
🧑💼 面试官画像
- 典型背景：985/海外硕博，3-8年研发经验，多为SLAM或CV方向出身。
- 提问偏好：从简历项目深挖细节，随后铺开到基础数学（如雅可比推导）、算法原理（如PnP求解）、以及开放设计题（如设计一个多传感器融合系统）。
- 考察维度：
- 深度：是否真正理解算法本质，能手推公式。
- 宽度：是否了解不同传感器、框架的优缺点。
- 工程意识：是否考虑过内存、延时、鲁棒性等。
- 常见陷阱：面试官会刻意追问“如果xxx情况，你的方法会怎样？”来考察边界条件处理能力。