岗位能力画像与简历优化模板
面试官筛选简历时，会围绕基础知识、算法能力、工程能力、领域知识、软素质五个维度快速匹配。本章帮你理解这五个维度的考察重点，并给出简历优化模板、关键词清单和成果量化句式，让简历在几十秒内抓住面试官注意力。
岗位能力画像详解
| 维度 | 关键技能 | 面试考察点 | 简历建议 |
|---|---|---|---|
| 基础理论 | 车辆运动学、坐标系转换、状态估计 | 能否推导运动方程、坐标变换 | 课程项目或比赛证明你用过 |
| 算法能力 | 搜索(A*、Dijkstra、RRT)、优化(MPC、Lattice)、RL | 是否理解原理并能手撕伪代码 | 列出具体算法名称和实现场景 |
| 工程能力 | C++/Python、ROS、Linux、Git、仿真工具 | 代码质量、调参能力、Debug经验 | GitHub链接、代码量、单元测试 |
| 领域知识 | 行为预测、决策规划、轨迹平滑、障碍物规避 | 能否说出常见规划框架（EM planner等） | 突出实习或比赛中处理的真实场景 |
| 软素质 | 逻辑表达、快速学习、团队协作 | 项目问答是否条理清晰 | 用STAR句式展现思考过程 |
简历结构模板
- 个人信息：姓名、电话、邮箱、意向岗位；GitHub/个人博客可选。
- 教育背景：学校、专业、GPA（3.5+/4.0）、核心课程（机器人学、控制理论、最优化、机器学习）。
- 项目经验：2~3个与规划强相关的项目，每个按STAR结构写（背景→任务→行动→结果），使用成果量化句式。
- 技能清单：按熟练度分等级（精通/熟悉/了解），突出C++、Python、ROS、A*、MPC等。
- 其他：竞赛奖项、开源贡献、语言能力、发表。
关键词清单
必须包含的关键词（按类别排序）：
- 算法：路径规划、轨迹优化、A*、Dijkstra、RRT、Lattice planner、EM planner、MPC、PID、LQR、状态机、行为决策
- 工具：ROS、C++、Python、Linux、Git、Carla、SUMO、仿真
- 场景：城市道路、高速巡航、泊车、避障、变道、交叉口处理
成果量化句式模板
| STAR组件 | 示例 |
|---|---|
| Situation（背景） | 在某无人车项目中负责城市道路规划模块 |
| Task（任务） | 需要实现实时避开动态障碍物并保持行驶平滑 |
| Action（行动） | 采用Hybrid A* + MPC trajectory optimization，在前端搜索中引入costmap，后端优化轨迹曲率约束 |
| Result（结果） | 轨迹生成时间降至15ms内，碰撞率降低60%，平滑度提升40% |
提示：每个项目至少包含一个量化结果（数字+单位），如时间缩短、成功率提升、误差减少等。
面试问答 1
面试问题：请简单介绍一下你在自动驾驶规划方面的项目经历。
面试官考察点：评估候选人能否快速提炼项目核心、是否掌握STAR表达、技术深度是否匹配岗位。
回答框架：STAR四步法 → Situation（项目背景）→ Task（你的职责）→ Action（具体技术方案）→ Result（量化成果）。
简短示例回答：
“在校无人车竞赛中，我负责高速公路规划模块。使用A*全局路径+RRT*局部修正，在Gazebo仿真中实现避障，平均规划时间8ms，成功完成10km车道保持任务，获赛区第二名。”
可能追问：碰到过局部极小问题吗？怎么处理的？RRT*和RRT的区别？
面试问答 2
面试问题：你如何证明你具备路径规划算法的实操能力？
面试官考察点：考察候选人是否实际手写过代码、调试过bug、做过对比实验。
回答框架：先说明你用过的算法和实现方式，然后举一个具体的debug/优化案例，最后展示可验证的成果（GitHub/Demo）。
简短示例回答：
“我用C++实现了Lattice planner，在Carla中测试。曾遇到轨迹不连续问题，通过修改采样密度和代价权重解决。代码已开源在GitHub（star 50+），仿真视频附在简历中。”
可能追问：Lattice planner的横向采样间距怎么设置？代价函数权重你怎么调的？
面试问答 3
面试问题：你在项目中最擅长的规划方法是什么？为什么？
面试官考察点：评估候选人对某一方法的深入掌握程度，以及能否横向对比不同方法的优缺点。
回答框架：指出方法名称 → 用1~2句话解释原理 → 对比其他方法突出优势 → 结合你的项目说明实际效果。
简短示例回答：
“我最擅长EM planner（Expectation-Maximization），因为它将决策和轨迹优化解耦，适合复杂场景。在实习中用它处理了十字路口无保护左转，相比A* + MPC的框架，成功率从70%提升到92%。”
可能追问：EM planner的E步和M步分别解决什么问题？和MDP/IRL相比优劣？