第1章 岗位能力画像与简历优化模板
本章帮助你建立自动驾驶控制岗位的完整能力图谱，并基于此优化简历结构。面试官通过简历快速判断你与岗位的匹配度，核心是：能力关键词是否对齐、成果是否可量化、项目经历是否体现工程思维。以下先给出岗位能力画像，再展开简历模板与高频问答。
简历优化核心原则：将上述能力画像中的关键词融入简历的“技术栈”与“项目描述”部分，每一条项目成果必须回答：我用了什么方法（关键词）？解决了什么具体问题？取得了多少量化提升？
简历结构模板
| 模块 | 内容要点 | 推荐关键词（部分） |
|---|---|---|
| 专业技能 | 控制理论、编程语言、仿真工具、车辆动力学 | MPC, LQR, PID, ROS2, C++17, Python, Simulink, CarMaker |
| 项目经历 | 2-3个，按STAR法则展开，突出量化指标 | 横向跟踪误差 ≤0.1m, 换道时间减少30%, 仿真验证1000小时 |
| 实习经历 | 写明公司、岗位、核心贡献 | 独立完成控制模块部署, 实车测试里程≥500km |
| 竞赛/ | 智驾挑战赛、顶会（如有） | 冠/亚军, 一作, 会议简称 |
面试问答卡片（3题）
面试问题 #1
问题：请针对自动驾驶控制实习生岗位，优化一下你的简历，你会重点调整哪些部分？
考察点：是否理解岗位核心需求、能否将通用技能转化为岗位匹配语言、是否具备量化思维。
回答框架：① 先拆解岗位JD关键词（如MPC、车辆动力学、ROS2）；② 将简历中对应技能前置加粗；③ 把项目描述从“做了什么”改为“用XX方法实现了XX效果”。
示例回答（80字）：我会把“精通C++”细化为“掌握C++17与Eigen库，完成路径跟踪MPC求解器优化，单步计算耗时从2ms降至0.8ms”；把“熟悉车辆动力学”改为“基于自行车模型进行侧向控制仿真，横摆角跟踪误差<0.5°”。
可能追问：如果控制算法只在仿真验证过，实车测试注意什么？
面试问答 #2
问题：简单介绍一下你做过的一个自动驾驶控制项目，你担任什么角色？
考察点：项目自述是否结构化（STAR）、是否突出个人贡献、技术细节是否扎实。
回答框架：S（场景）+ T（任务）+ A（行动，包含技术选型）+ R（量化结果）。控制在1分钟内讲完。
示例回答（90字）：在学院自动驾驶小车项目中，我负责纵向PID控制器设计。面对路面坡度导致速度波动问题，引入前馈+反馈补偿，仿真精确度提升20%。最终在校园道路实测时，速度跟踪误差≤0.3m/s，获得项目组最佳控制奖。
可能追问：你用的PID参数怎么整定的？为什么不用MPC？
面试问答 #3
问题：你的简历上写“熟悉ROS2”，请举一个你用ROS2解决的实际问题。
考察点：工程框架的实战深度、能否区分“用过”与“会调参”的差异。
回答框架：① 具体场景（话题通信/参数服务器）；② 遇到了什么坑（如通信延迟、节点崩溃）；③ 如何排查与解决（使用ros2 doctor/topic delay）。
示例回答（75字）：做路径跟踪时，发现控制指令延迟约200ms导致振荡。我用ros2 topic delay定位到是串口驱动发布频率被限，重写串口读写线程，延迟降至30ms，跟踪误差减少40%。
可能追问：ROS2的QoS设置你了解吗？DDS在实时性上有什么局限？
📌 本章小结：岗位能力画像是简历优化的地图，围绕控制理论、车辆动力学、编程、工程工具、业务场景五大维度精准发力。简历不是经历的罗列，而是匹配度证明，每个项目都要用数据说话。