第1章：岗位能力画像与简历优化模板
机器人算法研发工程师的求职竞争，本质是能力标签匹配度和成果可迁移性的比拼。本章帮你建立岗位能力画像，优化简历结构与量化句型，让面试官在10秒内识别你是“对的人”。
关键认知：大厂简历筛选平均耗时8~15秒。能力画像不是罗列技能，而是用“算法+系统+工程”三轴定位你的硬核价值。
简历结构模板
| 模块 | 内容要点 | 高频踩坑 |
|---|---|---|
| 个人信息 | 姓名、手机、邮箱、GitHub/技术博客 | 不放照片/年龄/政治面貌 |
| 教育背景 | 学校·专业·GPA（＞3.5/4.0可写） | 不要列课程清单，除非与岗位强相关 |
| 项目经验 | STAR法则：背景→任务→行动→量化结果 | 只写“做了什么”不写“带来了什么” |
| 竞赛/ | ACM、RoboMaster、ICRA/IROS等 | 不要造假排名，面试会深挖细节 |
| 技能标签 | C++/Python/ROS/Control/PCL/Eigen等 | 不要写“精通”，写“熟练”“深入使用” |
关键词清单（HR筛选用）
- 算法类：SLAM、路径规划(A*/RRT)、卡尔曼滤波、PID、MPC、点云处理、物体检测(YOLO/PointNet)
- 系统类：ROS/ROS2、TF坐标变换、Gazebo仿真、多传感器融合、实时系统
- 工程类：C++11/14/17、STL、多线程、CMake、Git、Docker、Linux
- 软技能：跨团队协作、技术文档撰写、算法落地、性能优化
成果量化句式（STAR公式）
| 普通写法 | 改写后（量化+对比） |
|---|---|
| 负责路径规划模块 | 设计融合A*+TEB的混合规划器，使机器人避障成功率从78%提升至94%，平均路径长度缩短12% |
| 优化了SLAM算法 | 改进cartographer回环检测策略，在300㎡工厂场景下定位精度RMSE从0.15m降至0.04m，累计漂移减少60% |
| 编写机器人控制代码 | 基于MPC实现差速底盘轨迹跟踪，在1.5m/s速度下横向误差≤3cm，通过200h稳定性测试无超调 |
高频面试问答卡片
面试问题：请用STAR法则介绍一个你最满意的机器人项目。
考察点：项目复杂度、角色深度、量化意识、表达逻辑
回答框架：
- 一句话定调（项目名+核心目标）
- 背景：场景痛点、规模指标（面积/速度/精度）
- 行动：你负责什么模块？用了什么方法？解决了什么关键难点？
- 结果：量化对比（before-after）、可推广性（代码开源//专利）
简短示例回答（60~80字）：
“我主导了工厂AGV自主导航项目。针对原方案在动态障碍物下频繁堵塞的问题，设计了全局A*+局部TEB的混合规划，并引入行人速度预测。最终拥堵率降低82%，单趟运输时间缩短35%，方案已在3条产线部署。”
可能追问：
- TEB参数怎么整定的？遇到过什么失效情况？
- 行人预测用了什么模型？实时性如何保证？
- 如果地图突然变更，系统如何反应？
避坑提醒：不要只谈“我们团队做了什么”，面试官想知道你做了什么。每句话都要用“我”开头，并说明具体代码量或模块边界。
面试问题：你简历上写了“熟练掌握ROS”，请举一个你在ROS中解决的实际工程问题。
考察点： ROS真实使用深度、调试能力、对通信机制的理解
回答框架：
- 明确问题现象（比如节点崩溃、topic丢帧）
- 诊断过程（rqt_graph、rostopic echo、日志分析）
- 解决方案（改QoS、加时间戳校验、重构消息流）
- 效果与反思
简短示例回答（70~90字）：
“在室内巡检机器人项目中，odom topic频繁断连。我用rostopic bw发现带宽突增，原因是IMU原始数据未降频。改为滤波后发布10Hz，并设置QoS的depth=1防止阻塞。断连率从每5分钟1次降至0，定位漂移减少40%。”
可能追问：
- ROS2的QoS参数有哪些？和ROS1的区别？
- 如果多个节点同时写同一topic，你怎么处理？
- 如何实时监控ROS节点的CPU/内存占用？
避坑提醒：不要说“我用ROS做了一个xx功能”，面试官期待的是你修复/诊断/优化了ROS系统本身的问题，而非仅仅调用API。
面试问题：如果你负责的路径规划算法在真机上表现比仿真差很多，怎么排查？
考察点：工程思维、仿真与现实差异的理解、系统性排查能力
回答框架：
- 先验证数据链路（传感器输出 vs 仿真输入）
- 检查模型差异（动力学参数、时延、噪声）
- 定位算法环节（规划频率、控制周期、执行器限制）
- 提出分步解决（加滤波、调参、回退版本）
简短示例回答（80~100字）：
“首先对比真机IMU/Gazebo输出的位姿时序，发现真机有10ms随机延迟。我在规划节点前加入时间戳对齐和UKF融合补偿。其次检查控制周期，将MPC求解频率从50Hz降至20Hz匹配执行器响应。最终轨迹误差从0.3m降到0.06m，接近仿真水平。”
可能追问：
- UKF和EKF在机器人定位中的适用场景？
- 如果执行器存在死区或饱和，你怎么建模？
- 你如何评估“接近仿真水平”的具体指标？
避坑提醒：不要只说“我调了调参数”。面试官希望看到你系统性地拆分仿真与现实的差异维度，并按优先级逐一验证，体现工程师的严谨性。
本章小结：能力画像让你知道“值多少钱”，简历结构决定“能不能进面”，量化句式确保“不会被误判”。下一个章节将深入拆解机器人运动学与动力学的面试必考题。