第1章 岗位能力画像与简历优化模板
本节帮助你精准定位SLAM高级工程师岗位的核心能力要求，并掌握简历关键词匹配、成果量化、公司侧重点调整等优化技巧。先通过能力画像图建立全局视野，再通过拆解表和问答卡片落地到具体面试准备。
岗位核心能力拆解表
| 能力维度 | 关键技能 | 典型面试问题 | 简历匹配建议 |
|---|---|---|---|
| 数学基础 | 线性代数、李群李代数、概率论 | 推导雅可比矩阵 | 列出相关课程、定理应用 |
| 状态估计 | 卡尔曼滤波、图优化 | EKF与BA的异同 | 量化估计精度提升指标 |
| 多传感器融合 | 视觉+IMU、轮速+GNSS | 松耦合与紧耦合优缺点 | 强调实际融合方案与效果 |
| 后端优化 | 因子图、非线性最小二乘 | 如何加速优化求解 | 说明优化框架与调参细节 |
| 工程落地 | C++/Python、ROS、嵌入式 | 如何提升系统实时性 | 用量化指标体现优化结果 |
简历优化四步法流程
- 关键词匹配：从JD提取核心词（如VIO、回环检测、g2o），在项目经历中自然嵌入。
- 成果量化表达：将“提升精度”改为“将ATE从0.1m降低到0.03m”；将“加速”改为“系统延迟降低40%”。
- 结构优化：按“公司-项目-角色-成果”倒序排列，每点控制在2-3行，突出个人贡献。
- 公司侧重点调整：面自动驾驶突出多传感器融合与实时性；面AR/VR强调视觉前端与轻量级优化；面机器人侧重全局规划与回环检测。
📌 面试问答卡片 1
问题：你的简历中提到了视觉SLAM项目，请详细介绍一下你的工作内容和贡献。
考察点：项目真实性、角色贡献、成果量化能力、技术深度。
回答框架：STAR法则：背景→任务→行动→结果。重点突出1-2个技术难点解决方法，并给出量化指标。
示例回答：“我在移动机器人项目中负责VIO前端开发。基于MSCKF融合IMU预积分，将特征跟踪丢失率从15%降至3%，最终轨迹ATE达到0.05m。同时重构了特征管理模块，使每帧处理时间减少20ms。”
可能追问：为什么选择MSCKF而不是ORB-SLAM？IMU预积分如何处理bias？
避坑提醒：避免只罗列技术栈；强调你是如何解决具体问题的，而非团队成果。
📌 面试问答卡片 2
问题：我们注意到你有多传感器融合经验，请用一句话概括你的核心能力。
考察点：自我定位、表达精炼度、能力与岗位匹配度。
回答框架：公式化表达：“我擅长[技能] + [在xx场景] + 达成了[量化成果]”。
示例回答：“我擅长视觉-惯性紧耦合融合，在高速AGV场景中通过预积分+外参在线标定，将定位鲁棒性提高60%，成功支撑200m²无GPS园区自主导航。”
可能追问：你们的外参标定方法是什么？如何处理传感器失效？
避坑提醒：不要过于泛泛（如“我精通多传感器融合”），一定要带场景和数字。
📌 面试问答卡片 3
问题：你对我们公司（自动驾驶公司）的SLAM岗位有什么了解？你的简历做了哪些针对性调整？
考察点：对公司的研究、简历定制能力、主动思考。
回答框架：公司业务定位 → 岗位技术要求 → 自己匹配点 → 简历调整说明。
示例回答：“贵公司专注城市场景L4级自动驾驶，对实时性和多传感器冗余要求极高。因此我在简历中重点突出了基于因子图的紧耦合融合方案，并追加了在嵌入式设备上延迟优化35%的指标；同时弱化了纯视觉重建项目，强化了与GNSS/轮速融合的内容。”
可能追问：你觉得城市道路SLAM最大的挑战是什么？如何应对？
避坑提醒：不要只夸公司，也不要编造经历；调整简历要基于事实，突出最相关的部分即可。