第1章 岗位能力画像与简历优化模板
在自动驾驶规划研发工程师的面试中，清晰的岗位认知与高质量的简历是成功的第一步。本章从大厂岗位能力要求出发，拆解核心画像维度，提供经一线验证的简历结构与关键词清单，帮助你精准匹配面试官筛选标准，在投递阶段即建立优势。
1.1 岗位能力画像详解
以下五个维度直接对应大厂JD中的高频要求，每个维度下标注了关键词与技能等级参考。
| 能力维度 | 核心要求 | 关键技能 / 工具 |
|---|---|---|
| 算法与数学基础 | 路径搜索、轨迹优化、最优控制理论 | A* / RRT / Lattice Planner / QP / ILQR |
| 感知与定位融合 | 多传感器融合、状态估计、目标预测 | 卡尔曼滤波 / 贝叶斯网络 / 多模态融合 |
| 规划决策算法 | 行为决策、运动规划、交互博弈 | POMDP / 模仿学习 / 强化学习 / EM Planner |
| 系统与工程能力 | 实时系统、嵌入式部署、性能调优 | C++17 / 多线程 / ROS2 / 内存管理 |
| 工具与框架生态 | 仿真验证、数据闭环、工程落地 | Apollo / Autoware / CARLA / SUMO / MATLAB |
💡 画像使用建议：对照上表逐项自评，将“薄弱项”作为简历中项目经历的补充方向，让面试官看到你的成长曲线。
1.2 简历黄金结构与关键词清单
大厂HR筛选简历的平均时间约 8~15 秒，结构化排版与关键词密度直接决定通过率。下表汇总了五个板块的必含关键词：
| 简历板块 | 必备关键词（示例） |
|---|---|
| 教育背景 | 计算机 / 自动化 / 机器人 / 车辆工程 / 控制理论 |
| 技术栈 | C++17 / Python / ROS2 / Apollo / CARLA / 优化求解器 / 状态机 |
| 项目经历 | 路径规划 / 轨迹优化 / 行为预测 / 决策树 / 强化学习 / 实车部署 |
| / 开源 | ICRA / IROS / CoRL / GitHub Star ≥ 100 / 技术博客 |
| 竞赛 / 认证 | 自动驾驶挑战赛 / Robotaxi 比赛 / AWS Cloud 认证 |
✏️ 关键词布局技巧：在每个项目描述的前两行自然嵌入 3~5 个核心关键词，不要生硬堆砌。例如：“基于C++17实现Lattice Planner，在CARLA仿真中完成轨迹优化，最终实车部署并通过MIL/SIL验证。”
1.3 成果量化句式模板
用数据代替描述，是简历从“及格”到“优秀”的关键一步。以下为三种高频场景的量化句式，可直接套用：
- 效率提升类：“优化
xxx算法，使单帧规划耗时从120ms降至35ms，满足20Hz实时控制需求。” - 效果改善类：“设计
xxx决策框架，在无保护左转场景下通行成功率从82%提升至96%，决策延迟<50ms。” - 规模覆盖类：“构建覆盖
200+复杂交互场景的仿真测试集，回归测试效率提升3 倍，累计发现47个边界失效问题。”
⚠️ 常见误区：避免使用“显著提升”“大幅优化”等模糊词汇；每个指标必须附带基线值（优化前）与测量条件（如“城市路口场景”“200 轮随机测试”）。
1.4 面试问答卡片
面试问题：请描述你对自动驾驶规划研发工程师岗位的核心能力要求，以及你如何匹配这些要求？
面试官考察点：岗位认知深度、自我定位清晰度、能力与岗位的映射关系
回答框架：岗位定义 → 3~4 项核心能力依次展开 → 每项对应你的项目/技能 → 总结匹配度
简短示例回答：我认为核心能力包括四方面：扎实的规划算法基础（A*/RRT/Lattice）、工程实现能力（C++/ROS2）、决策思维（行为预测/博弈论）以及数据驱动优化意识。我在 xx 项目中完成了 Lattice Planner 实车部署，在 xx 竞赛中验证了交互决策算法，与岗位高度匹配。
可能追问：你如何理解“数据驱动”在规划模块中的具体应用？请举例说明。
避坑提醒：避免只罗列技术名词而不谈“为什么需要”以及“你如何用”；回答要体现对规划模块上下游（感知→决策→控制）的理解。
面试问题：请用 STAR 法则重新组织你简历中最重要的一个项目经历。
面试官考察点：结构化表达能力、项目参与深度、量化意识
回答框架：Situation（场景与问题）→ Task（目标指标）→ Action（你的设计/实现）→ Result（量化成果）
简短示例回答：（S）在 xx 自动驾驶项目中，需解决复杂路口无保护左转问题；（T）目标将通行成功率从 82% 提升至 95% 以上；（A）我设计了一种基于 POMDP 的决策规划框架，融合多模态预测；（R）最终通行成功率提升至 96%，决策延迟低于 50ms，并在 200+ 场景中完成泛化验证。
可能追问：POMDP 求解实时性如何保障？你做了哪些近似或简化？
避坑提醒：STAR 中 Action 部分最容易过于简略，至少包含“技术选型+关键实现+验证方式”三个子要素；Result 必须有前后对比数据。
面试问题：你在过去的项目中如何量化自己的技术贡献？请给出具体指标。
面试官考察点：数据驱动思维、指标定义能力、结果导向意识
回答框架：项目背景 → 选定的核心指标 → 基线值 → 你的优化幅度 → 业务影响
简短示例回答：在 xx 项目中我主导轨迹优化模块重构。通过引入 OSQP 求解器替代原有 SQP，将单帧规划耗时从 120ms 压缩至 35ms，满足 20Hz 实时控制；同时路径平滑度 RMSE 从 0.32 降至 0.18，乘客舒适度提升 40%，测试中急刹车次数减少 62%。
可能追问：为什么选择 OSQP 而不是其他求解器？你在求解器参数调优上做了哪些工作？
避坑提醒：不要只报一个最终数字，一定要带上“基线值”和“测量环境”；如果指标提升来自多方面贡献，要说明你的具体份额，避免被质疑夸大。
📌 章节核心行动项：① 对照能力画像完成自评，标记 1~2 个待强化维度；② 按黄金五段重构简历，嵌入关键词矩阵；③ 为每个项目准备 2~3 组量化指标，形成“数据名片”。