📚 课程目录第1章岗位能力画像与简历优化模板

1. 岗位能力画像与简历优化模板

本章帮助候选人在简历撰写和面试表达中精准匹配自动驾驶规划算法工程师的岗位要求。核心目标：能力维度可视化 → 简历结构标准化 → 成果表达量化 → 面试回答结构化。以下内容覆盖岗位能力画像、简历结构、关键词清单、成果量化句式，以及3个典型面试问答和1个真实项目模板。

💡 岗位能力画像是简历和面试的“导航图” — 面试官围绕这五个维度交叉验证候选人的技术深度与工程广度。简历中每个项目应至少覆盖其中 3 个维度，面试回答时主动展示多维能力关联。

一、简历结构模板

模块	内容要点	面试官关注点
个人信息	姓名、电话、邮箱、GitHub / 技术博客（可选）	信息准确，技术博客可加分
教育背景	学校 · 专业 · 学位 · 时间；GPA 高则列出	专业相关度，基础学科扎实度
技术能力	按分类列出：规划算法 / 决策系统 / 预测模块 / 工程工具 / 基础理论	技能树完整度，关键词匹配度
项目经验 ⚡	每个项目按 STAR 展开：背景、任务、行动、结果；附量化指标	项目真实性、个人角色、技术深度、成果质量
工作经历	公司 · 岗位 · 时间 · 核心职责与产出	职业成长路径，项目连续性
/ 专利	顶会/期刊、发明专利（注明状态）	学术创新力，技术原创性
荣誉奖项	竞赛排名、奖学金、优秀毕业生等	综合竞争力，极少数突出即可

✏️ 写作原则： 项目经验占简历 60% 以上篇幅；每段经历用 1-2 行概括 + 3-5 行量化成果；避免“参与、协助”等弱动词，改用“主导、设计、优化、部署”。

二、关键词清单

分类	关键词（面试官简历筛选高频匹配项）
运动规划	A* · Hybrid A* · RRT* · Lattice Planner · EM Planner · DWA · TEB · 时空联合规划 · 轨迹平滑
决策系统	行为树 · 有限状态机 · POMDP · MDP · 规则引擎 · 模仿学习 · 深度强化学习
预测模块	LSTM · Transformer · 多模态轨迹预测 · 交互式预测 · 社会注意力 · 场景图
系统工具	ROS / ROS2 · Apollo · Autoware · CARLA · SUMO · rviz · Gazebo · C++17 · Python · TensorRT
基础理论	凸优化 · 非线性规划 · 图搜索 · 卡尔曼滤波 · 贝叶斯推理 · 数值优化 · 最优控制

🎯 投递策略： 每份简历保留 8-12 个核心关键词，与技术栈描述和项目经验一一对应；不要堆砌不熟悉的技术以免面试追问暴露短板。

三、成果量化句式模板

量化维度	句式模板	示例
效率提升	将 `[xxx]` 延迟从 `[A]` 降低至 `[B]`，提升 `[C]%`	路径规划延迟从 120ms 降至 45ms，提升 62.5%
性能指标	将 `[xxx]` 场景通过率从 `[A]%` 提升至 `[B]%`	复杂路口通过率从 82% 提升至 96%
资源优化	将 `[xxx]` 内存 / 显存占用从 `[A]` 降至 `[B]`	推理显存占用从 1.8GB 降至 0.6GB
规模扩展	支持 `[xxx]` 种场景 / 累计测试 `[xxx]` 公里 / 覆盖 `[xxx]` 条道路	支持 200+ 种城市交通场景，累计真实路测 8 万公里

⚠️ 量化三原则： ① 数据真实可溯源；② 对比基准明确（优化前 vs 优化后）；③ 指标与岗位核心能力直接相关。避免使用“大幅提升”“显著改善”等模糊表述。

四、面试问答卡片

📌 问题 1：请用 STAR 法则描述你在自动驾驶规划领域最成功的一个项目，并说明你扮演的角色和技术贡献。

🎯 面试官考察点： 项目真实性 · 技术深度 · 角色定位 · 逻辑表达能力 · 量化意识

🧩 回答框架：

S (情境)： 项目背景、业务目标、所属阶段（研发 / 量产）
T (任务)： 你承担的具体职责和关键技术挑战
A (行动)： 你设计的方案、选型依据、落地步骤
R (结果)： 核心量化指标 + 业务影响

📝 示例回答（80字）： “主导城区路口非保护左转规划模块，针对动态车辆和行人干扰，设计基于 EM Planner 的分层决策框架，将左转场景通过率从 71% 提升至 93%，规划耗时控制在 50ms 以内，已在 3 条运营线路稳定部署。”

🔍 可能追问： ① EM Planner 中 E-step 和 M-step 具体如何交互？ ② 遇到最难的边缘场景是什么？如何解决的？ ③ 如果有充足算力，你会怎么改进方案？

⚠️ 避坑提醒： 不夸大个人贡献（用“我们”而非“我”要适度）；不回避失败经历（可转化为学习收获）；不把框架性工作当成核心技术产出。

📌 问题 2：你在简历中写“熟悉 EM Planner 与 Lattice Planner”，请对比这两种规划方法的核心区别和各自适用场景。

🎯 面试官考察点： 算法理解深度 · 工程实践经验 · 技术选型判断力 · 表达条理性

🧩 回答框架：

核心区别： 优化范式（迭代 vs 采样）、轨迹生成方式、代价函数设计
适用场景： EM Planner 适合结构化道路 + 多交互场景；Lattice Planner 适合高速 + 明确车道线场景
结合使用： 实际工程中常将二者组合，分层处理不同决策粒度

📝 示例回答（85字）： “EM Planner 通过 E-step 推断他车意图，M-step 优化自车轨迹，擅长处理强交互场景；Lattice Planner 在 Frenet 坐标系采样生成轨迹，适合高速车道保持。我在城市道路项目中将前者用于路口决策，后者用于巡航跟车，综合提升了场景覆盖度。”

🔍 可能追问： ① EM Planner 的收敛性如何保证？ ② Lattice Planner 中横向采样密度如何设定？ ③ 两者在计算资源消耗上的差异？

⚠️ 避坑提醒： 不要只背概念定义，一定要结合 自己的项目实践 说明选型理由；如果简历写熟悉但实际未用过，面试追问极易暴露。

📌 问题 3：你如何评估一个规划算法的综合性能？请列举你最常用的评价指标和对应的优化经验。

🎯 面试官考察点： 评价体系完整性 · 工程优化意识 · 数据驱动思维 · 指标权衡能力

🧩 回答框架：

指标体系： 安全性（碰撞率、TTC）+ 舒适性（加加速度、横向加速度）+ 效率（规划耗时、通行时间）+ 鲁棒性（场景通过率、重规划次数）
优化经验： 以具体指标为例，说明如何通过算法改进或参数调优提升
权衡思路： 不同指标间存在冲突（如效率 vs 舒适性），如何取舍

📝 示例回答（90字）： “我主要从四个维度评估：① 安全性用最小碰撞距离和 TTC；② 舒适性看纵向加加速度和横向冲击度；③ 效率统计规划耗时和平均通行速度；④ 鲁棒性用场景通过率和失败重规划次数。在泊车项目中通过优化 Hybrid A* 启发式函数，将规划耗时从 2.1s 降至 0.8s，同时保持碰撞率为 0。”

🔍 可能追问： ① 当安全性和舒适性冲突时你如何决策？ ② 你的测试场景集是如何构建的？ ③ 有没有遇到过指标好看但实际路测表现差的情况？

⚠️ 避坑提醒： 不要只罗列指标名称，要讲出 优化过程和数据变化；避免说“所有指标都很好”，展示你理解指标间的 trade-off 更显专业。

五、项目案例模板

维度	内容
项目名称	基于 Hybrid A* 的自动泊车规划系统
业务背景	面向 L4 级自主代客泊车（AVP）场景，实现地下车库从入口到目标车位的全程路径规划与轨迹跟踪，覆盖窄通道、环形坡道、密集车位等复杂布局。
规模指标	支持 5 层地库、800+ 车位、200m 最长规划距离；累计实车测试 3000+ 次泊车任务；平均泊车成功率 97.2%
技术栈	Hybrid A* · RS 曲线 · 梯度优化平滑 · ROS2 · C++17 · CUDA 加速 · 多传感器融合定位
核心难点	① 窄通道双向通行时的死锁避免；② 混合 A* 在斜坡场景的 Z 轴维度扩展；③ 泊车终点姿态精度控制（< 10cm / 3°）
面试高频追问	① Hybrid A* 的启发式函数如何设计以加速搜索？ ② RS 曲线与多项式曲线的衔接平滑处理？ ③ 如何评价泊车轨迹的舒适性和安全性的平衡？
可迁移回答话术	“在该项目中我负责规划模块核心算法开发。针对窄通道死锁问题，引入时空联合搜索 + 优先级协商机制；在斜坡场景中，将 2D Hybrid A* 扩展为 2.5D 搜索空间，增加坡度代价项。最终泊车成功率提升 12%，且轨迹平滑度满足舒适性标定。”

💡 项目表达要点： 面试中介绍该项目时，始终围绕 难点 → 方案 → 量化成果 三条主线；主动把技术细节归类到五大能力维度中（如“运动规划”“算法工程”），让面试官快速建立你的能力画像。