📚 课程目录第1章岗位能力画像与简历优化模板

一、岗位能力画像与简历优化模板

本章帮助你建立对自动驾驶规划技术专家岗位的系统认知，并掌握简历优化核心方法。首先通过能力画像明确岗位要求的五个维度，再学习简历结构、关键词布局与成果量化技巧，最后通过面试问答和项目案例巩固理解。

  学习目标： ① 理解规划技术专家的5维能力模型；② 掌握简历优化的STAR结构与关键词策略；③ 学会使用量化句式提升简历说服力。

自动驾驶规划技术专家需要融合算法、系统、场景、工程与业务五个维度的能力。下表拆解每个维度的核心要求与典型技能。

能力维度	核心要求	典型技能 / 工具	面试考察方式
算法与理论	掌握路径搜索、轨迹优化与决策算法，能针对场景设计高效方案	A* / RRT* / MPC / ILQR / POMDP / MCTS	手撕代码 + 场景设计题 + 推导优化过程
系统与架构	理解规划模块与感知、预测、控制的协同，具备模块化设计能力	ROS2 / Apollo / Autoware / 状态机 / 通信中间件	系统设计题 + 架构对比 + 异常处理
场景与交互	能处理复杂交通场景中的多智能体交互与不确定性	行为预测 / 交互博弈 / 速度障碍法 / OOD 检测	场景分析 + 博弈案例 + 不确定性建模
工程与工具	具备扎实的工程实现能力，熟悉仿真、测试与部署流程	C++17/20 / CUDA / CARLA / gTest / CI/CD	代码面 + 性能优化 + 仿真测试经验
业务与指标	理解量产指标、法规要求与迭代逻辑，能平衡安全与效率	MTBF / 接管率 / 舒适度指标 / ISO 26262	业务案例 + 指标权衡 + 项目落地经验

核心算法： A* / Hybrid A* / RRT* / Lattice Planner / EM Planner / MPC / ILQR / POMDP / MCTS
机器学习： Imitation Learning / Reinforcement Learning / Behavior Cloning / Inverse RL
系统框架： ROS2 / Apollo / Autoware / CyberRT / 状态机 / 行为树
工具与语言： C++17/20 / Python / CUDA / CARLA / SUMO / gTest / Docker / CI/CD
场景指标： 城市路口 / 高速汇入 / 掉头 / 泊车 / 接管率 / 舒适度 / 通行效率

简历自检清单： ① 关键词是否命中JD核心要求？② 每个项目是否有明确的量化收益？③ 个人贡献是否清晰（主导/参与/支持）？④ 整体是否控制在1-2页？

Q1 你觉得自动驾驶规划技术专家最关键的三个能力是什么？

考察点：对岗位本质的理解深度与自我认知匹配度

回答框架：技术深度 → 系统广度 → 工程落地

示例回答：最关键的三个能力：一是算法创新能力，能针对复杂场景设计高效规划算法；二是系统架构能力，理解规划模块与感知、预测、控制的协同机制；三是工程落地能力，能将算法在实车上稳定运行并持续迭代，三者缺一不可。

可能追问：① 你如何证明你具备这些能力？② 这三个能力中你最擅长哪个？举例说明。

避坑提醒：不要只罗列技能标签，要用具体的项目经历和成果来佐证每个能力。

Q2 简历中的项目经历如何组织才能突出规划能力？

考察点：技术表达、结构化思维与成果量化意识

回答框架：场景挑战 → 方案创新 → 量化收益 → 个人贡献（STAR法则）

示例回答：采用STAR结构：先描述场景痛点（城市路口通行效率低），再说明技术方案（提出交互博弈规划框架），最后展示量化收益（通行效率+35%，碰撞风险-62%），并标注个人在其中的核心贡献是算法设计与仿真验证。

可能追问：① 如果项目尚未量产，如何体现价值？② 项目中遇到的最大技术挑战是什么？

避坑提醒：避免写成流水账，每个项目必须有一个明确的技术亮点和对应的量化指标。

Q3 如何量化规划算法的改进效果？你会选择哪些指标？

考察点：指标意识、数据思维与业务理解

回答框架：定义指标 → 对比基线 → 消融分析

示例回答：从安全性（碰撞率/干预率）、效率（通行时间/平均速度）、舒适性（加速度变化率/ jerk）三个维度定义指标。以行业标准算法为基线，通过消融实验证明每个改进模块的边际收益，如MPC优化使轨迹跟踪精度提升28%，同时舒适度评分从7.2提升至8.9。

可能追问：① 安全与效率指标冲突时如何权衡？② 在实际业务中这些指标的优先级如何排序？

避坑提醒：不要只提一个指标，要展示多维度综合评估的思维，并说明指标之间的权衡关系。

真实项目复杂城市路口多目标协同规划系统

业务背景	城市开放道路路口场景复杂，车辆、行人、非机动车交互博弈频繁，无人车通行效率低且安全风险高，需要一套能够处理多智能体不确定性的规划系统。
规模指标	覆盖5个典型城市路口（含信号灯、无保护左转、人车混行等），日均处理2000+次通行决策，累计测试里程超过3万公里。
技术栈	C++17 / ROS2 Galactic / POMDP / MPC / Imitation Learning / CARLA / gTest
核心难点	① 多智能体意图不确定性；② 实时性约束（要求10Hz）与安全保证的平衡；③ 仿真与实车之间的迁移差距。
面试高频追问	追问1：如何处理行人横穿意图的突然变化？追问2：POMDP策略如何保证10Hz的实时性？追问3：与基于规则的规划方法相比，优势与劣势分别是什么？追问4：仿真中表现良好的策略在实车上失效怎么办？
可迁移回答话术	针对路口交互不确定性，采用POMDP对车辆与行人的意图进行概率建模，结合离线DRL预训练与在线MPC精调的两阶段策略。在保证10Hz实时性的同时，使路口通行效率提升35%，危险场景干预率下降62%。对于意图突变，引入速度障碍法作为安全兜底，确保系统在不确定性下的行为安全。

使用说明： 此项目模板可直接套用你的实际经历，替换场景、指标和技术细节。核心逻辑是：问题定义 → 方法创新 → 量化收益 → 安全兜底。面试时重点突出你对不确定性的处理思路和工程落地能力。