课程导入：规控算法在自动驾驶与机器人领域的核心地位、面试考察重点与学习路径

规控算法（Planning & Control Algorithm）是自动驾驶与智能机器人系统中承上启下的关键枢纽。它接收来自感知（Perception）模块的环境理解结果，结合定位（Localization）与高精地图信息，在车辆或机器人自身的动力学与运动学约束下，生成安全、平滑、可执行的轨迹，并通过底层控制指令驱动执行器精准跟随。在面试考察中，规控岗位不仅要求候选人具备扎实的数学与控制理论基础，更强调工程实现能力、系统级思维以及对安全冗余的深刻理解。本章作为《规控算法面试通关指南》的开篇，将系统梳理规控算法的核心地位、面试考察的维度与重点，并为你规划一条高效、可落地的学习与备战路径。

规控算法的核心地位：为什么它是自动驾驶的“大脑与小脑”

在自动驾驶系统的经典分层架构中，感知层负责“看懂世界”，决策规划层负责“思考怎么走”，控制层负责“执行动作”。规控算法横跨决策规划与控制执行两大环节，其输出质量直接决定了车辆行驶的安全性、舒适性与通行效率。从系统角度看，规控模块是连接上层语义理解与底层物理执行的桥梁：它需要将感知输出的高维异构数据（目标车辆状态、车道线几何、交通标志语义）转化为低维、连续、可执行的轨迹与指令。

在机器人领域，规控算法的地位同样举足轻重。无论是工业机械臂的轨迹规划、移动机器人的导航避障，还是人形机器人的步态控制，其核心数学工具与工程方法论高度同源。面试官在考察规控候选人时，本质上是在评估你能否在不确定性环境中做出安全、合理、实时的决策，并通过精确的控制算法将决策意图转化为物理动作。这种能力需要深厚的数学功底（优化理论、概率论、数值方法）、扎实的控制理论基础（PID、MPC、LQR）以及丰富的工程调试经验。

面试考察重点：四大维度与高频考点

根据对国内外主流自动驾驶公司（如Waymo、Cruise、百度Apollo、小鹏、蔚来、Momenta等）及机器人企业（如波士顿动力、优必选、大疆）的面试真题分析，规控算法岗位的考察可以归纳为以下四个维度：

维度一：理论基础与数学功底

这是规控面试的“硬门槛”。面试官会通过手撕代码、公式推导、算法设计等方式考察你的数学基础。高频考点包括：

• 最优化理论：凸优化与非凸优化的区别、KKT条件、梯度下降法、牛顿法、QP（二次规划）与SQP（序列二次规划）的适用场景。例如，轨迹平滑问题通常建模为QP问题，而带避障约束的轨迹优化则可能是非凸问题，需要采用SQP或混合整数规划。
• 状态估计与滤波：卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波的基本原理与适用场景。在规控中，状态估计主要用于车辆自身状态的平滑与预测。
• 控制理论：PID控制的原理与调参方法、前馈-反馈控制结构、LQR（线性二次型调节器）与MPC（模型预测控制）的推导与对比。面试中常要求推导MPC的预测模型与代价函数，并讨论其计算复杂度与实时性。
• 曲线与样条理论：三次样条、B样条、贝塞尔曲线、多项式轨迹的参数化表达与性质。例如，在轨迹平滑中，常使用五次多项式保证位置、速度、加速度的连续性。

维度二：工程实现与代码能力

规控算法最终要部署在实车上，因此工程能力至关重要。面试中通常包含在线编程题或代码阅读题，考察点包括：

• C++核心特性：智能指针、STL容器、多线程编程、内存管理、模板元编程等。规控模块对实时性要求极高（控制周期通常为10-50ms），因此代码效率与内存安全是重点。
• 算法实现能力：手写A*、Dijkstra、RRT（快速扩展随机树）、Lattice Planner等经典规划算法，或实现PID、MPC等控制器的核心逻辑。
• 框架与工具链：ROS/ROS2、Apollo CyberRT、Carla/SUMO等仿真平台的使用经验。面试官会关注你是否理解消息通信机制、TF坐标变换、时间同步等工程细节。

维度三：系统思维与安全设计

自动驾驶是安全攸关系统，规控算法必须具备完善的安全冗余机制。面试官会考察你对以下问题的理解：

• 功能安全（ISO 26262）与ASIL等级：规控模块通常被划分为ASIL B或ASIL D等级，需要设计相应的监控与降级策略。
• 异常处理与降级逻辑：当感知输入异常（如目标丢失）、定位漂移或执行器故障时，规控算法应如何响应？例如，从自动驾驶模式平滑降级到人工接管，或进入最小风险状态（MRC）。
• 时序与资源预算：规控算法必须在严格的时序约束下运行。你需要理解如何分配CPU资源、如何设计并行计算架构、如何处理数据延迟与丢帧。

维度四：项目经验与问题解决能力

面试官会围绕你简历中的项目经历进行深度追问，重点考察你在项目中遇到的真实问题、分析过程与解决方案。常见问题包括：

• “你的轨迹规划算法在什么场景下会失效？你是如何发现并解决的？”
• “你的MPC控制器在实际调试中遇到了哪些问题？如何调整权重矩阵？”
• “你的算法在仿真中表现良好，但实车测试时出现抖动，你会如何排查？”

课程学习路径与目标：从基础到实战的系统化进阶

本课程共30章，按照“基础理论 → 核心算法 → 工程实践 → 面试冲刺”四个阶段设计，帮助你建立完整的知识体系，并针对面试高频考点进行专项强化。

课程学习目标

完成本课程后，你将具备以下能力：

1. 理论深度：能够从数学原理层面解释规控算法的设计动机与适用边界，而非停留在“调包”层面。
2. 工程广度：熟悉从感知输入到控制输出的完整链路，理解各模块间的接口定义、数据流与时间同步机制。
3. 实战能力：能够在仿真环境（如Carla、SUMO）中搭建规控系统，并针对典型场景（如十字路口、匝道汇入、紧急避障）进行算法开发与调优。
4. 面试技巧：掌握面试答题的STAR法则、技术深挖的应对策略，以及手撕代码的常见题型与解题模板。

案例拆解：从感知输入到控制执行的完整链路

为了帮助你建立对规控算法的整体认知，我们以一个典型的“高速巡航跟车”场景为例，拆解从感知输入到控制执行的完整链路。这个案例将贯穿本课程多个章节，后续会逐步深入展开。

场景描述：车辆以120km/h在高速公路上巡航，前方200米处检测到一辆慢车（速度为80km/h），本车需要自动减速并保持安全距离跟车。

关键输入数据：

• 自车状态：位置（x,y）、航向角θ、纵向速度vx=33.3m/s、横向速度vy≈0、横摆角速度ω
• 目标车辆状态：相对距离d=200m、相对速度Δv=11.1m/s（本车快）、目标加速度a_t≈0
• 道路信息：车道宽度3.75m、车道曲率κ≈0（直线段）、路面附着系数μ=0.8
• 约束条件：最大减速度a_max=-3.5m/s²（舒适制动）、最小跟车时距τ=1.5s、最小安全距离d_min=5m

处理流程：

1. 行为决策层：根据当前场景（高速巡航、前方慢车），决策模块输出“跟车”行为，并设定目标时距τ=1.5s。
2. 运动规划层：采用Temporal-Lattice或EM Planner生成候选轨迹集合。每条轨迹由纵向位移s(t)和横向位移l(t)组成，使用五次多项式参数化。通过代价函数评估每条轨迹的安全性（与障碍物距离）、舒适性（加速度变化率jerk）和效率（通行时间），选择最优轨迹。
3. 轨迹平滑：对选中的轨迹进行二次优化，使用QP求解器最小化jerk，同时满足动力学约束（加速度、加加速度限制）和避障约束。
4. 控制层：采用MPC控制器，预测时域N=20步（步长0.1s），控制量包括加速度a和方向盘转角δ。MPC通过求解带约束的QP问题，输出最优控制序列，并将第一个控制量下发至执行器。
5. 执行与反馈：执行器（线控底盘）响应控制指令，车辆实际状态通过IMU和轮速传感器反馈至控制器，形成闭环。

案例复盘：这个案例展示了规控算法的核心逻辑——从语义决策到数值优化的逐级抽象。面试中，面试官可能会追问：“如果前车突然急刹车（a_t=-5m/s²），你的算法会如何处理？”此时，你需要讨论：行为决策层是否触发紧急制动模式？规划层是否重新生成避撞轨迹？控制层是否切换至最大制动能力？这考察的是你对系统级安全策略的理解。

常见误区与学习建议

在辅导众多学员备战规控面试的过程中，我们发现以下常见误区，需要特别警惕：

• 误区一：重算法轻数学。很多候选人能熟练说出A*、RRT、MPC等算法名称，但被问到“为什么A*的启发式函数需要满足一致性条件”或“MPC的代价函数为什么通常设计为二次型”时却答不上来。面试官考察的是你对算法本质的理解，而非简单的名词记忆。
• 误区二：重仿真轻实车。仿真环境（如Carla）与实车之间存在巨大差异，包括模型误差、执行器延迟、通信噪声等。面试官会特别关注你是否有实车调试经验，以及如何处理仿真与实车的“gap”。
• 误区三：重代码轻系统。手撕代码固然重要，但规控岗位更需要系统级思维。你需要理解你的算法模块如何与其他模块交互，数据流如何设计，异常如何传播。
• 误区四：忽视功能安全。很多候选人没有接触过ISO 26262或ASIL等级，这在面试中是一个明显的短板。即使你没有实际的功能安全项目经验，也应该了解基本概念，并能在设计讨论中体现安全意识。

规控算法是一个“入门容易、精通极难”的领域。它要求你既要有数学家的严谨推导能力，又要有工程师的工程落地能力，还要有系统架构师的全局视野。本课程将为你提供一条系统化的学习路径，帮助你少走弯路，高效备战。在接下来的章节中，我们将从车辆运动学模型与最优化基础开始，逐步深入规控算法的核心腹地。