2018年我那届秋招正撞上智能驾驶赛道最热的时候。滴滴在出行场景里的数据优势让它的自动驾驶部门格外受关注校招智能驾驶研发工程师的笔试通知发下来时我身边不少同学都在讨论同一个问题这岗位到底考什么当时网上的面经零散得很能搜到的信息翻来覆去就那么几条。后来真上了考场又经历了一轮轮面试我才慢慢想明白一件事那份笔试考卷本质上是一张能力地图它考察的并不是你会不会背某个知识点而是你有没有搭建起一个智能驾驶研发工程师应该具备的知识框架。这篇文章不打算做“原题复现”那既不现实也没太大意义。我想拆解的是这份笔试背后折射出的考察逻辑——作为出行平台滴滴自研自动驾驶时究竟需要一个什么样的工程师笔试里的每一类题对应着真实业务里的哪一块能力以及如果你现在正在准备类似的岗位应该怎样分配复习精力才不至于在考场上被一张试卷打回原形。1. 2018年滴滴智能驾驶岗位笔试一份能力地图1.1 滴滴为什么要靠笔试筛选“工程型算法人才”先聊一个容易被忽略的背景。2018年的滴滴在自动驾驶上走的是L4级路线目标很明确把算法装进真实车队在城市道路环境里跑起来。这和很多纯粹发论文、刷榜单的AI实验室有本质区别——实验室里模型跑通一个demo就算成功但在滴滴的场景里算法要面对的是真实路况、传感器噪声、车辆底盘延迟和随时可能出现的极端corner case。这就要求研发工程师不能只懂模型结构还得懂工程实现。笔试筛选的就是这类人。我印象很深的是那份试卷里没有太多“背诵型”的深度学习理论题反而花了大篇幅考C、数据结构、数学推导和控制基础。当时有同学吐槽“这是招工程师还是招程序员”后来想通了智能驾驶是一个典型的交叉学科岗位代码能力就是地基。一个连指针和内存都理不清的人很难让人相信他能写稳一个实时感知模块一个矩阵求逆都手抖的人也很难在传感器融合里找到状态估计的bug。滴滴要的不是只会调包的人而是能在工程约束下做算法落地的人。1.2 笔试结构的三段式设计通用基础、专业方向、综合应用按我当时的观察和后来和同批笔试同学的交流整张卷子大致可以分成三个段落每个段落的考察目标完全不同。第一段是通用基础主要包括C语言特性、数据结构、算法复杂度分析、操作系统和计算机网络的基础题。这部分考察的是“工程师的基本盘”难度不算高但面很宽。它会让你写一些代码片段、改bug、分析某个容器的时间复杂度甚至考到进程和线程的区别、TCP和UDP的应用场景。不要小看这一块它在整张卷子的前半段决定了你能不能稳住心态往后做。第二段是专业方向围绕智能驾驶的核心技术栈展开图像处理、机器学习、状态估计、控制理论、ROS等等。这一段开始有区分度了。它不会直接问“卡尔曼滤波的公式是什么”而是给你一个具体的车辆跟踪场景让你用卡尔曼滤波建模不会让你背卷积神经网络的结构而是给你一个车道线检测任务让你设计pipeline。第三段是综合应用题通常是开放性设计题或者带有工程背景的算法题。比如给你一套传感器的配置让你设计一个感知融合方案的框架或者要求你从工程角度分析某个模块的实时性瓶颈。这一段没有标准答案考察的是知识体系的完整度和工程思维的成熟度。我后来帮学弟学妹辅导时经常强调第三段才是真正拉分的部分因为它没法靠临时刷题弥补靠的是平时有没有真正沉下心去想“系统怎么work”。2. 知识硬通货从C、数学到控制理论的考点拆解2.1 C与数据结构智能驾驶代码面试的地基先聊C因为它是整场笔试里我最有感触的部分。智能驾驶的底层模块从感知到规划再到控制绝大多数工程实现都是用C完成的。为什么不用Python因为L4级自动驾驶对实时性要求极高一个感知模块的端到端延迟动辄要求在一百毫秒以内Python的动态类型和GIL在这种场景下会变成巨大的负担。所以笔试考C考的不是语言本身而是你有没有能力在严格的资源约束下写出可靠的代码。常见考察形式有这么几类。第一类是语言细节题比如std::vector的扩容机制、深拷贝和浅拷贝的区别、shared_ptr的引用计数是否线程安全、虚函数表的实现机制。这些题看起来很琐碎但每道题背后都对应着一个真实的工程坑。就拿shared_ptr来说很多应试者知道它“通过引用计数管理生命周期”但并不知道在多线程环境下引用计数的加减是原子操作、而对象本身的读写不是这个认知差距在实车上就是数据竞争导致的偶发崩溃。第二类是手写数据结构或算法常见的有链表的反转、二叉树的遍历、基于STL的堆操作、LRU缓存设计。我当时遇到的一道题是“实现一个带过期时间的LRU”这其实是智能驾驶地图模块里非常常见的需求——地图瓦片缓存就必须处理容量限制和时效性。这类题考察的不只是背模板而是有没有理解数据结构在各种约束条件下怎么取舍。第三类是代码阅读和改错给你一段有点问题的C代码让你找出内存泄漏、越界访问或者未定义行为。这里有个高频考点容易丢分异常安全性。智能驾驶系统里一个bad_alloc如果没被正确捕获可能导致整个进程挂掉这在行驶中是绝对不可接受的。笔试里考察异常的传播路径和RAII机制其实是在考察你有没有“为失败做设计”的工程意识。2.2 矩阵、概率与最优化算法岗笔试里的数学题逻辑如果说C是工程师的“手艺”那数学就是智能驾驶算法的“世界观”。笔试里的数学题不会出什么偏题怪题但会绕着一个核心原则出题——每个数学工具都必须能在车上找到落点。线性代数是重头戏。矩阵乘法、特征值分解、SVD、伪逆这些概念几乎是必考的。特别是SVD在点云配准、平面拟合、SLAM后端优化里到处都是它的身影。笔试可能会让你计算一个小矩阵的SVD或者分析一下SVD在最小二乘问题里的作用。这里有一个很关键的推导要熟练最小二乘解和伪逆的关系。你得能快速写出当A列满秩时argmin ||Ax-b||的解是x(A^T A)^(-1) A^T b并且知道当A^T A奇异时应该用SVD来求伪逆。这个点在工程上极其重要因为实际场景里的数据矩阵经常是病态的。概率统计的考察核心是贝叶斯公式、高斯分布、最大似然估计。智能驾驶里大量问题都是不确定性问题传感器噪声、目标运动预测、车辆定位统统用概率的语言描述。笔试可能不会让你直接背贝叶斯公式但会给你一个场景雷达测量距离服从某高斯分布同时你有一个来自运动模型的状态预测分布问你怎么融合两者得到最优估计。这个过程的数学本质就是两个高斯分布相乘仍然是一个高斯分布对应着卡尔曼滤波的更新公式。如果你能把贝叶斯更新和高斯分布的性质吃透这题基本就是送分。最优化相对考得少一些但梯度下降、牛顿法、关于凸函数的基本判断也需要掌握。这里我印象比较深的是最优化的题往往是和机器学习结合起来的比如给你一个带正则项的损失函数要求判断它的凸性、推导梯度、说明如何用梯度下降求解。在车上做的很多标定、校准问题最后都会落到优化上所以这类题出现并不意外。2.3 控制理论与ROS车辆工程和软件工程的交叉地带控制理论和ROS这两块是区分“纯算法工程师”和“智能驾驶工程师”的关键。很多从纯机器学习方向投过来的简历写了一大堆深度学习项目却对控制基础一问三不知这份卷子恰好就是用来暴露这种偏科的。控制理论在笔试里考察的内容通常比较基础但很有针对性PID控制的原理和调参方法、状态空间方程的基本概念、稳定性判断比如通过极点在复平面的位置判断系统是否稳定。为什么考这些因为智能驾驶的最终执行端就是车辆控制无论是纵向的速度控制还是横向的转向控制都离不开经典控制理论。笔试可能会给你一个简化的车辆模型让你设计一个PID控制器然后问你如果系统出现超调应该调整哪个参数——这就是实车调参时天天遇到的场景。ROS机器人操作系统相关的题更多是以概念理解的形式出现。节点、话题、服务这几个核心概念是必考的TF坐标变换的原理、如何发布和监听一个TF也是常见考点。这可能让很多没有机器人基础的人头疼但其实难度并不高核心要理解分布式通信模型和坐标系管理这两个点。我当时的经验是把ROS官方Tutorials里关于tf和消息通信的部分过一遍这些题基本就能从容应对了。面试官真正想确认的是你有没有写过一个完整的、可运行的ROS节点因为这在智能驾驶团队里几乎是日常工作的基本形态。3. 智能驾驶场景下的实战题型从车道线检测到贝叶斯滤波3.1 视觉感知类题目图像滤波、边缘检测与车道线拟合到了场景题部分试卷开始变得“智能驾驶”起来。视觉感知类的题目是典型的考察方式因为基于摄像头的车道线检测是L2/L3级别辅助驾驶里最成熟、也最常见的技术栈之一而且它足够简单可以在笔试的时间限制内考察候选人的基本工程能力。一个典型的问法是这样给出一个车道线检测任务让你简述完整的pipeline并写出关键环节的实现思路。这时候如果你只是回答“用深度学习模型检测”就过于单薄了——在笔试里考察的往往是传统图像处理方法。因为传统方法更能考察基本功图像灰度化、高斯滤波去噪、Canny边缘检测、感兴趣区域ROI提取、Hough变换直线检测、然后通过最小二乘法拟合车道线参数。这里有几个考点值得展开说说。高斯滤波的原理是加权平均离中心越近的像素权重越高关键在于怎么选sigma——选大了图像模糊、边缘丢失选小了噪声抑制不住这在笔试里可能会被问到“滤波核大小如何影响检测结果”。Canny边缘检测的双阈值策略也是个细节考点高阈值确定强边缘低阈值用于连接弱边缘高低阈值之间的比例通常取2:1到3:1这个经验值在传统图像处理教科书里不会细讲但工程上很常用。Hough变换的理解也很重要。从图像空间映射到参数空间ρ-θ空间一个点映射成一条正弦曲线多个共线点的曲线交于一点这个交点就是直线的参数。笔试可能会让你写出直线方程如何转换到极坐标形式以及为什么用极坐标而不是斜截式——答案是斜截式无法表示垂直线斜率无穷大。这些细节看似小却是实打实的工程判断。如果题目要写实现代码通常会让你写最小二乘法拟合车道线已知一组像素点坐标求一条直线。核心是构建正规方程A^T A x A^T b并求解。要写出这个代码不仅要会矩阵运算还得处理A^T A是否可逆的问题——如果所有点在一条垂直于x轴的直线上A^T A就是奇异的。这种边角情况在真实道路上经常出现比如近距离强烈弯道一个合格的工程师必须能意识到这一点。3.2 状态估计类题目卡尔曼滤波、粒子滤波的场景变形状态估计是智能驾驶笔试里区分度最大的一块也是我认为最值得花时间准备的部分。原因很简单感知、定位、预测、控制全都依赖状态估计它几乎是智能驾驶算法体系的“母问题”。卡尔曼滤波是首选考察对象。基本的出题形式是一辆车在一个方向上匀速运动我们通过GPS或者雷达观测它的位置观测有噪声同时运动模型有不确定性请你用卡尔曼滤波的框架建立模型写出预测步和更新步的方程。这里面要掌握的细节包括状态向量怎么定义位置、速度、状态转移矩阵F怎么写、观测矩阵H如何选择、过程噪声协方差Q和观测噪声协方差R分别代表什么。笔试如果让你手推卡尔曼增益的表达式你要能自然地从“最小化后验估计误差协方差”这个目标出发推出来。我当时准备了很久这个推导后来面试时被问到的机会也很大因为它能一针见血地区分“背公式的人”和“真懂原理的人”。另一个常见问法是扩展卡尔曼滤波EKF和卡尔曼滤波的区别。核心答法就一句话当系统的状态转移或者观测模型是非线性时卡尔曼滤波的线性高斯假设不再成立EKF通过在当前状态点做一阶泰勒展开来线性化。然后要能举出实际例子比如雷达观测中从极坐标距离、角度转到直角坐标就是一个典型的非线性变换这就必须用EKF而不能直接用标准卡尔曼滤波。粒子滤波的考察相对少一些一般会出现在概念层面它通过一组带权重的随机样本近似后验分布适用于强非线性、非高斯的场景比如全局定位里的 kidnapping 问题。笔试如果考到大概率会让你说明粒子滤波和卡尔曼滤波的适用条件差异。答的时候不要只说“非线性”要补充“多峰分布”这个关键点——卡尔曼滤波假设单峰高斯粒子滤波可以表达多峰假设这在车道级定位遇到路口的歧义时非常有用。3.3 规划决策类题目动态规划、A*和“踩刹车”式的工程直觉规划决策是智能驾驶技术栈里比较靠后的模块但笔试也会涉及出题方式比较多样。一种很常见的是算法题形式比如A*寻路、Dijkstra最短路径。这类题本质是数据结构的标准题但会套一个“在栅格地图上规划一条从起点到终点的路径”的壳。答题时除了写出算法过程最好能补充一句启发函数的设计在车辆运动场景下欧氏距离或曼哈顿距离怎么选以及地图上如果有禁行区域怎么处理。另一种考察方式非常有意思给定一个场景让你设计决策逻辑。比如“本车前方有辆慢车相邻车道有车正在超越你如何判断是否变道”。这种题的考察点不是标准答案而是你有没有风险意识。安全边界、最小安全距离、是否要同时考虑后方来车、变道过程中前车突然刹车该怎么办这些都是实车测试里最常遇到的问题。我写这类答案时养成了一个习惯永远把“安全降级”放在第一优先级。也就是说无论方案多复杂最后必须有一个兜底逻辑——当所有条件不满足时车辆应当维持当前车道并减速。笔试阅卷时这个“兜底意识”是加分项因为它直接反映了工程师对系统的责任感。规划控制模块对时空同步的考察也值得注意。真实系统里规划模块算出一条轨迹执行的时候车辆可能已经往前走了一小段如果不去补偿这个延迟控制误差会不断累积。因此有的笔试题会问规划的轨迹是相对于哪个时刻的如何补偿执行延迟能答出“坐标系时间戳对齐”和“轨迹点外推插值”这两点基本就能把分拿稳。4. 时间分配与答题策略工程能力比刷题量更关键4.1 笔试时间线先拿稳基础分再啃场景题这张卷子的题量不算小特别是大量代码题和推导题如果不在时间分配上动点脑筋很容易出现前半程磨叽太久、后半程草草了事的局面。我自己的节奏是“三段式分配”。第一段快速浏览全卷用两到三分钟判断每道题的难度和分值。基础题里如果有犹豫超过一分钟的先跳过标记一下不要和它较劲。第二段把基础C和数据结构题全部做掉这部分是确定性最高的分数做完之后心里就有了底。第三段全力做专业方向和综合应用这部分最费时间的是设计题和推导题宁可写得框架完整、局部不完美也不要卡在某一步推导上浪费十五分钟。拿到题先写思路框架这比一上来就埋头做到底要稳得多。关于代码题我还有一个习惯先在草稿纸上把核心数据结构和边界条件列出来再动手写。这样写出来的代码结构清晰也避免在卷面上反复涂改。边界条件这个点尤其重要——链表的空指针、数组的越界、除零都不是难事但是笔试就是靠这些细节筛人的。4.2 最容易丢分的三个细节内存管理、坐标系、数值稳定性考完之后和同学对答案再结合后来面试官给的一些反馈我发现这个岗位的笔试有几个非常高频的丢分点值得单独拿出来说。第一个是C的内存管理。很多人在改错题和写代码题里能写出大致逻辑但会犯类似“new出来的对象没有delete”“在函数里返回了局部变量的引用”这种低级错误。智能驾驶的嵌入式环境中内存泄漏是致命的它在长时间运行后会逐渐耗尽资源最终导致系统崩溃。所以笔试里只要出现指针和动态内存一定要像审犯人一样检查每一处存在堆上分配的对象是否被正确释放。现代C里优先用智能指针而不是裸指针这本身就是一种更好的防御姿态。第二个是坐标系问题。这可以说是智能驾驶笔试的特色丢分点。很多算法题只要涉及位置、速度、方向就必须回答清楚“这个量是在哪个坐标系下定义的”。世界坐标系、车体坐标系、传感器坐标系不同坐标系之间的转换关系必须通过外参矩阵来描述笔试可能会让你写出两个坐标系之间的旋转平移变换表达式。我见过不少同学在规划题里直接用传感器坐标系下的障碍物位置去规划而没有转换到车体坐标系这在真实系统里是会出事故的。坐标系问题一旦答错整道设计题可能一分都拿不到。第三个是数值稳定性。比如手写最小二乘时直接求(A^T A)^(-1)而不是用QR分解或者SVD虽然在卷面上看着没问题但如果面试官追问就能看出来你没有考虑病态矩阵的问题。再比如写卡尔曼滤波时没有想象一下如果协方差矩阵变得不对称怎么办数值误差会导致它慢慢失去对称性有没有做对称化处理。这些细节我当年也没有完全答对但面试复盘时发现面试官真正在意的是你有没有意识到这些问题的存在。4.3 从答题到面试笔试里藏着面试官的考察意图笔试不是终点它在整个招聘流程里承担着两层功能第一层是硬性筛选第二层是为面试提供议题素材。我当时有个很深刻的体会面试时被问到的很多问题其实都能在笔试里找到对应的影子。笔试里你卡壳的地方也就是面试官最想追问的地方。所以说笔试答题其实是一场“自我暴露”。你写在卷面上的每一个技术判断都会成为面试官判断你能力边界的依据。我的建议是会多少写多少但不要硬编造。如果你对一个知识点只有模糊的印象可以诚实地写出“这里我理解得不够深但从工程角度我觉得应该这样处理”这比写半吊子的推导要好得多。面试官不怕你不会怕的是你意识不到自己不会。还有一点设计题的答题框架大于细节。我当时在综合应用题里写了一个多传感器融合方案的框架并没有把每个公式都推导到最底层但明确了数据流、坐标系对齐、时间同步、异常处理这几个关键环节。后来面试官反馈说这种“先搭框架、再逐层抠细节”的思维方式是他们在笔试中最想看到的工程素养。5. 从笔试到offer我给后来备考者的几点建议5.1 复习清单与优先级排序如果你现在正准备投递智能驾驶研发工程师这个方向我根据这份笔试的考察逻辑给你整理了一份复习优先级清单。注意优先级不是按学科难度排的而是按“投入产出比”排的。第一优先级是C、数据结构和基础算法。这不仅是因为它在笔试里占比大更因为它是后面所有专业方向复习的地基。C至少要做到理解内存模型、掌握STL常用容器和算法、能写出无内存问题的代码、理解移动语义和智能指针。数据结构的重点在链表、树、哈希表、堆配合LeetCode上对应标签的中等难度题练习。第二优先级是线性代数、概率论和经典图像处理。数学不需要刷题但要对核心概念形成直觉。要做到看到SVD就知道它能干什么看到高斯分布就能联想到协方差矩阵的几何意义看到贝叶斯公式就能自然地把它套到传感器融合场景里。图像处理要掌握滤波、边缘检测、Hough变换和最小二乘拟合并且能自己用OpenCV写一遍。第三优先级是卡尔曼滤波、PID控制和ROS基础。这些是智能驾驶专业性最强的部分也是决定你能不能从“通用码农”变成“智能驾驶工程师”的部分。卡尔曼滤波务必自己手推一遍PID要能解释P、I、D三个参数对系统响应的影响ROS要动手跑一个小例会比如发布一个话题、订阅一个话题、用tf做坐标变换。第四优先级才是深度学习模型。虽然感知模块现在确实以深度学习方法为主但笔试里反而不会考察太多模型结构细节顶多问一两种常见网络的整体结构。原因也很简单——深度学习知识更新太快笔试无法代表真实能力面试官更可能在面试环节聊项目时考察这部分。5.2 关于“真题”找到比刷题更重要的规律很多同学在备考时会到处搜“原题”甚至花钱买一些流传出来的题库。我的态度是可以参考但不要沉迷。因为每年的题目一定在变单纯背题很难覆盖不断扩展的知识面反而会让你陷入“我刷过这道题”的虚假安全感。更有价值的做法是研究岗位说明书。滴滴当时发布的智能驾驶研发工程师岗位要求里明确提到了“熟悉C/Python、了解ROS、掌握计算机视觉或机器学习基础、有较强的工程实现能力”。仔细品味这段话再对照卷子里的考点分布你会发现两者高度一致。笔试从来不是脱离岗位需求的炫技场它是岗位需求的可量化投影。与其沉迷于猜题不如对着岗位要求做一次自我能力盘点把短板挨个补齐。另外提醒一点笔试前一定要动手写代码不要只看不写。特别是手写数据结构题和图像处理pipeline平时看明白了和自己能完整写出来是两回事。我当年在复习时坚持每天手写两段核心代码从链表的逆置到卡尔曼滤波一边写一边在注释里写给自己的提醒。这个习惯让我在笔试时对代码题的节奏把控相当稳定。5.3 个人体会现在回看2018年那场笔试我最深的体会是它考的不只是知识点而是一个人“在系统里思考问题”的习惯。智能驾驶是一个极度复杂的系统工程一个算法模块做得再漂亮如果和上下游衔接不上也毫无价值。这份笔试里的每一类题目其实都在轻声问同一个问题——你是否具备理解一个完整系统、并在不确定环境中做出稳健决策的能力。备考时我也是大量刷题但真正让我通过笔试的是之前跟着导师做项目时反复调试ROS节点、校准传感器、排查数据时间戳不一致问题的那段经历。那些看起来“不务正业”的工程杂活反而帮我积累了笔试设计题里想要的“系统直觉”。最后给一个小技巧笔试前把“坐标变换”“时间同步”“安全兜底”这三个词写在一张便利贴上贴在电脑边。答题遇到设计题时先问自己这三个问题坐标系对齐了吗时间戳对齐了吗出现异常时有兜底方案吗这三个问题想清楚了很多设计题的答案会自动浮现出来。祝备考顺利希望这篇文章能帮你省下一点自己摸索的时间。 智能驾驶研发工程师笔试复盘：从C++到卡尔曼滤波的考点全解析
2018年我那届秋招正撞上智能驾驶赛道最热的时候。滴滴在出行场景里的数据优势让它的自动驾驶部门格外受关注校招智能驾驶研发工程师的笔试通知发下来时我身边不少同学都在讨论同一个问题这岗位到底考什么当时网上的面经零散得很能搜到的信息翻来覆去就那么几条。后来真上了考场又经历了一轮轮面试我才慢慢想明白一件事那份笔试考卷本质上是一张能力地图它考察的并不是你会不会背某个知识点而是你有没有搭建起一个智能驾驶研发工程师应该具备的知识框架。这篇文章不打算做“原题复现”那既不现实也没太大意义。我想拆解的是这份笔试背后折射出的考察逻辑——作为出行平台滴滴自研自动驾驶时究竟需要一个什么样的工程师笔试里的每一类题对应着真实业务里的哪一块能力以及如果你现在正在准备类似的岗位应该怎样分配复习精力才不至于在考场上被一张试卷打回原形。1. 2018年滴滴智能驾驶岗位笔试一份能力地图1.1 滴滴为什么要靠笔试筛选“工程型算法人才”先聊一个容易被忽略的背景。2018年的滴滴在自动驾驶上走的是L4级路线目标很明确把算法装进真实车队在城市道路环境里跑起来。这和很多纯粹发论文、刷榜单的AI实验室有本质区别——实验室里模型跑通一个demo就算成功但在滴滴的场景里算法要面对的是真实路况、传感器噪声、车辆底盘延迟和随时可能出现的极端corner case。这就要求研发工程师不能只懂模型结构还得懂工程实现。笔试筛选的就是这类人。我印象很深的是那份试卷里没有太多“背诵型”的深度学习理论题反而花了大篇幅考C、数据结构、数学推导和控制基础。当时有同学吐槽“这是招工程师还是招程序员”后来想通了智能驾驶是一个典型的交叉学科岗位代码能力就是地基。一个连指针和内存都理不清的人很难让人相信他能写稳一个实时感知模块一个矩阵求逆都手抖的人也很难在传感器融合里找到状态估计的bug。滴滴要的不是只会调包的人而是能在工程约束下做算法落地的人。1.2 笔试结构的三段式设计通用基础、专业方向、综合应用按我当时的观察和后来和同批笔试同学的交流整张卷子大致可以分成三个段落每个段落的考察目标完全不同。第一段是通用基础主要包括C语言特性、数据结构、算法复杂度分析、操作系统和计算机网络的基础题。这部分考察的是“工程师的基本盘”难度不算高但面很宽。它会让你写一些代码片段、改bug、分析某个容器的时间复杂度甚至考到进程和线程的区别、TCP和UDP的应用场景。不要小看这一块它在整张卷子的前半段决定了你能不能稳住心态往后做。第二段是专业方向围绕智能驾驶的核心技术栈展开图像处理、机器学习、状态估计、控制理论、ROS等等。这一段开始有区分度了。它不会直接问“卡尔曼滤波的公式是什么”而是给你一个具体的车辆跟踪场景让你用卡尔曼滤波建模不会让你背卷积神经网络的结构而是给你一个车道线检测任务让你设计pipeline。第三段是综合应用题通常是开放性设计题或者带有工程背景的算法题。比如给你一套传感器的配置让你设计一个感知融合方案的框架或者要求你从工程角度分析某个模块的实时性瓶颈。这一段没有标准答案考察的是知识体系的完整度和工程思维的成熟度。我后来帮学弟学妹辅导时经常强调第三段才是真正拉分的部分因为它没法靠临时刷题弥补靠的是平时有没有真正沉下心去想“系统怎么work”。2. 知识硬通货从C、数学到控制理论的考点拆解2.1 C与数据结构智能驾驶代码面试的地基先聊C因为它是整场笔试里我最有感触的部分。智能驾驶的底层模块从感知到规划再到控制绝大多数工程实现都是用C完成的。为什么不用Python因为L4级自动驾驶对实时性要求极高一个感知模块的端到端延迟动辄要求在一百毫秒以内Python的动态类型和GIL在这种场景下会变成巨大的负担。所以笔试考C考的不是语言本身而是你有没有能力在严格的资源约束下写出可靠的代码。常见考察形式有这么几类。第一类是语言细节题比如std::vector的扩容机制、深拷贝和浅拷贝的区别、shared_ptr的引用计数是否线程安全、虚函数表的实现机制。这些题看起来很琐碎但每道题背后都对应着一个真实的工程坑。就拿shared_ptr来说很多应试者知道它“通过引用计数管理生命周期”但并不知道在多线程环境下引用计数的加减是原子操作、而对象本身的读写不是这个认知差距在实车上就是数据竞争导致的偶发崩溃。第二类是手写数据结构或算法常见的有链表的反转、二叉树的遍历、基于STL的堆操作、LRU缓存设计。我当时遇到的一道题是“实现一个带过期时间的LRU”这其实是智能驾驶地图模块里非常常见的需求——地图瓦片缓存就必须处理容量限制和时效性。这类题考察的不只是背模板而是有没有理解数据结构在各种约束条件下怎么取舍。第三类是代码阅读和改错给你一段有点问题的C代码让你找出内存泄漏、越界访问或者未定义行为。这里有个高频考点容易丢分异常安全性。智能驾驶系统里一个bad_alloc如果没被正确捕获可能导致整个进程挂掉这在行驶中是绝对不可接受的。笔试里考察异常的传播路径和RAII机制其实是在考察你有没有“为失败做设计”的工程意识。2.2 矩阵、概率与最优化算法岗笔试里的数学题逻辑如果说C是工程师的“手艺”那数学就是智能驾驶算法的“世界观”。笔试里的数学题不会出什么偏题怪题但会绕着一个核心原则出题——每个数学工具都必须能在车上找到落点。线性代数是重头戏。矩阵乘法、特征值分解、SVD、伪逆这些概念几乎是必考的。特别是SVD在点云配准、平面拟合、SLAM后端优化里到处都是它的身影。笔试可能会让你计算一个小矩阵的SVD或者分析一下SVD在最小二乘问题里的作用。这里有一个很关键的推导要熟练最小二乘解和伪逆的关系。你得能快速写出当A列满秩时argmin ||Ax-b||的解是x(A^T A)^(-1) A^T b并且知道当A^T A奇异时应该用SVD来求伪逆。这个点在工程上极其重要因为实际场景里的数据矩阵经常是病态的。概率统计的考察核心是贝叶斯公式、高斯分布、最大似然估计。智能驾驶里大量问题都是不确定性问题传感器噪声、目标运动预测、车辆定位统统用概率的语言描述。笔试可能不会让你直接背贝叶斯公式但会给你一个场景雷达测量距离服从某高斯分布同时你有一个来自运动模型的状态预测分布问你怎么融合两者得到最优估计。这个过程的数学本质就是两个高斯分布相乘仍然是一个高斯分布对应着卡尔曼滤波的更新公式。如果你能把贝叶斯更新和高斯分布的性质吃透这题基本就是送分。最优化相对考得少一些但梯度下降、牛顿法、关于凸函数的基本判断也需要掌握。这里我印象比较深的是最优化的题往往是和机器学习结合起来的比如给你一个带正则项的损失函数要求判断它的凸性、推导梯度、说明如何用梯度下降求解。在车上做的很多标定、校准问题最后都会落到优化上所以这类题出现并不意外。2.3 控制理论与ROS车辆工程和软件工程的交叉地带控制理论和ROS这两块是区分“纯算法工程师”和“智能驾驶工程师”的关键。很多从纯机器学习方向投过来的简历写了一大堆深度学习项目却对控制基础一问三不知这份卷子恰好就是用来暴露这种偏科的。控制理论在笔试里考察的内容通常比较基础但很有针对性PID控制的原理和调参方法、状态空间方程的基本概念、稳定性判断比如通过极点在复平面的位置判断系统是否稳定。为什么考这些因为智能驾驶的最终执行端就是车辆控制无论是纵向的速度控制还是横向的转向控制都离不开经典控制理论。笔试可能会给你一个简化的车辆模型让你设计一个PID控制器然后问你如果系统出现超调应该调整哪个参数——这就是实车调参时天天遇到的场景。ROS机器人操作系统相关的题更多是以概念理解的形式出现。节点、话题、服务这几个核心概念是必考的TF坐标变换的原理、如何发布和监听一个TF也是常见考点。这可能让很多没有机器人基础的人头疼但其实难度并不高核心要理解分布式通信模型和坐标系管理这两个点。我当时的经验是把ROS官方Tutorials里关于tf和消息通信的部分过一遍这些题基本就能从容应对了。面试官真正想确认的是你有没有写过一个完整的、可运行的ROS节点因为这在智能驾驶团队里几乎是日常工作的基本形态。3. 智能驾驶场景下的实战题型从车道线检测到贝叶斯滤波3.1 视觉感知类题目图像滤波、边缘检测与车道线拟合到了场景题部分试卷开始变得“智能驾驶”起来。视觉感知类的题目是典型的考察方式因为基于摄像头的车道线检测是L2/L3级别辅助驾驶里最成熟、也最常见的技术栈之一而且它足够简单可以在笔试的时间限制内考察候选人的基本工程能力。一个典型的问法是这样给出一个车道线检测任务让你简述完整的pipeline并写出关键环节的实现思路。这时候如果你只是回答“用深度学习模型检测”就过于单薄了——在笔试里考察的往往是传统图像处理方法。因为传统方法更能考察基本功图像灰度化、高斯滤波去噪、Canny边缘检测、感兴趣区域ROI提取、Hough变换直线检测、然后通过最小二乘法拟合车道线参数。这里有几个考点值得展开说说。高斯滤波的原理是加权平均离中心越近的像素权重越高关键在于怎么选sigma——选大了图像模糊、边缘丢失选小了噪声抑制不住这在笔试里可能会被问到“滤波核大小如何影响检测结果”。Canny边缘检测的双阈值策略也是个细节考点高阈值确定强边缘低阈值用于连接弱边缘高低阈值之间的比例通常取2:1到3:1这个经验值在传统图像处理教科书里不会细讲但工程上很常用。Hough变换的理解也很重要。从图像空间映射到参数空间ρ-θ空间一个点映射成一条正弦曲线多个共线点的曲线交于一点这个交点就是直线的参数。笔试可能会让你写出直线方程如何转换到极坐标形式以及为什么用极坐标而不是斜截式——答案是斜截式无法表示垂直线斜率无穷大。这些细节看似小却是实打实的工程判断。如果题目要写实现代码通常会让你写最小二乘法拟合车道线已知一组像素点坐标求一条直线。核心是构建正规方程A^T A x A^T b并求解。要写出这个代码不仅要会矩阵运算还得处理A^T A是否可逆的问题——如果所有点在一条垂直于x轴的直线上A^T A就是奇异的。这种边角情况在真实道路上经常出现比如近距离强烈弯道一个合格的工程师必须能意识到这一点。3.2 状态估计类题目卡尔曼滤波、粒子滤波的场景变形状态估计是智能驾驶笔试里区分度最大的一块也是我认为最值得花时间准备的部分。原因很简单感知、定位、预测、控制全都依赖状态估计它几乎是智能驾驶算法体系的“母问题”。卡尔曼滤波是首选考察对象。基本的出题形式是一辆车在一个方向上匀速运动我们通过GPS或者雷达观测它的位置观测有噪声同时运动模型有不确定性请你用卡尔曼滤波的框架建立模型写出预测步和更新步的方程。这里面要掌握的细节包括状态向量怎么定义位置、速度、状态转移矩阵F怎么写、观测矩阵H如何选择、过程噪声协方差Q和观测噪声协方差R分别代表什么。笔试如果让你手推卡尔曼增益的表达式你要能自然地从“最小化后验估计误差协方差”这个目标出发推出来。我当时准备了很久这个推导后来面试时被问到的机会也很大因为它能一针见血地区分“背公式的人”和“真懂原理的人”。另一个常见问法是扩展卡尔曼滤波EKF和卡尔曼滤波的区别。核心答法就一句话当系统的状态转移或者观测模型是非线性时卡尔曼滤波的线性高斯假设不再成立EKF通过在当前状态点做一阶泰勒展开来线性化。然后要能举出实际例子比如雷达观测中从极坐标距离、角度转到直角坐标就是一个典型的非线性变换这就必须用EKF而不能直接用标准卡尔曼滤波。粒子滤波的考察相对少一些一般会出现在概念层面它通过一组带权重的随机样本近似后验分布适用于强非线性、非高斯的场景比如全局定位里的 kidnapping 问题。笔试如果考到大概率会让你说明粒子滤波和卡尔曼滤波的适用条件差异。答的时候不要只说“非线性”要补充“多峰分布”这个关键点——卡尔曼滤波假设单峰高斯粒子滤波可以表达多峰假设这在车道级定位遇到路口的歧义时非常有用。3.3 规划决策类题目动态规划、A*和“踩刹车”式的工程直觉规划决策是智能驾驶技术栈里比较靠后的模块但笔试也会涉及出题方式比较多样。一种很常见的是算法题形式比如A*寻路、Dijkstra最短路径。这类题本质是数据结构的标准题但会套一个“在栅格地图上规划一条从起点到终点的路径”的壳。答题时除了写出算法过程最好能补充一句启发函数的设计在车辆运动场景下欧氏距离或曼哈顿距离怎么选以及地图上如果有禁行区域怎么处理。另一种考察方式非常有意思给定一个场景让你设计决策逻辑。比如“本车前方有辆慢车相邻车道有车正在超越你如何判断是否变道”。这种题的考察点不是标准答案而是你有没有风险意识。安全边界、最小安全距离、是否要同时考虑后方来车、变道过程中前车突然刹车该怎么办这些都是实车测试里最常遇到的问题。我写这类答案时养成了一个习惯永远把“安全降级”放在第一优先级。也就是说无论方案多复杂最后必须有一个兜底逻辑——当所有条件不满足时车辆应当维持当前车道并减速。笔试阅卷时这个“兜底意识”是加分项因为它直接反映了工程师对系统的责任感。规划控制模块对时空同步的考察也值得注意。真实系统里规划模块算出一条轨迹执行的时候车辆可能已经往前走了一小段如果不去补偿这个延迟控制误差会不断累积。因此有的笔试题会问规划的轨迹是相对于哪个时刻的如何补偿执行延迟能答出“坐标系时间戳对齐”和“轨迹点外推插值”这两点基本就能把分拿稳。4. 时间分配与答题策略工程能力比刷题量更关键4.1 笔试时间线先拿稳基础分再啃场景题这张卷子的题量不算小特别是大量代码题和推导题如果不在时间分配上动点脑筋很容易出现前半程磨叽太久、后半程草草了事的局面。我自己的节奏是“三段式分配”。第一段快速浏览全卷用两到三分钟判断每道题的难度和分值。基础题里如果有犹豫超过一分钟的先跳过标记一下不要和它较劲。第二段把基础C和数据结构题全部做掉这部分是确定性最高的分数做完之后心里就有了底。第三段全力做专业方向和综合应用这部分最费时间的是设计题和推导题宁可写得框架完整、局部不完美也不要卡在某一步推导上浪费十五分钟。拿到题先写思路框架这比一上来就埋头做到底要稳得多。关于代码题我还有一个习惯先在草稿纸上把核心数据结构和边界条件列出来再动手写。这样写出来的代码结构清晰也避免在卷面上反复涂改。边界条件这个点尤其重要——链表的空指针、数组的越界、除零都不是难事但是笔试就是靠这些细节筛人的。4.2 最容易丢分的三个细节内存管理、坐标系、数值稳定性考完之后和同学对答案再结合后来面试官给的一些反馈我发现这个岗位的笔试有几个非常高频的丢分点值得单独拿出来说。第一个是C的内存管理。很多人在改错题和写代码题里能写出大致逻辑但会犯类似“new出来的对象没有delete”“在函数里返回了局部变量的引用”这种低级错误。智能驾驶的嵌入式环境中内存泄漏是致命的它在长时间运行后会逐渐耗尽资源最终导致系统崩溃。所以笔试里只要出现指针和动态内存一定要像审犯人一样检查每一处存在堆上分配的对象是否被正确释放。现代C里优先用智能指针而不是裸指针这本身就是一种更好的防御姿态。第二个是坐标系问题。这可以说是智能驾驶笔试的特色丢分点。很多算法题只要涉及位置、速度、方向就必须回答清楚“这个量是在哪个坐标系下定义的”。世界坐标系、车体坐标系、传感器坐标系不同坐标系之间的转换关系必须通过外参矩阵来描述笔试可能会让你写出两个坐标系之间的旋转平移变换表达式。我见过不少同学在规划题里直接用传感器坐标系下的障碍物位置去规划而没有转换到车体坐标系这在真实系统里是会出事故的。坐标系问题一旦答错整道设计题可能一分都拿不到。第三个是数值稳定性。比如手写最小二乘时直接求(A^T A)^(-1)而不是用QR分解或者SVD虽然在卷面上看着没问题但如果面试官追问就能看出来你没有考虑病态矩阵的问题。再比如写卡尔曼滤波时没有想象一下如果协方差矩阵变得不对称怎么办数值误差会导致它慢慢失去对称性有没有做对称化处理。这些细节我当年也没有完全答对但面试复盘时发现面试官真正在意的是你有没有意识到这些问题的存在。4.3 从答题到面试笔试里藏着面试官的考察意图笔试不是终点它在整个招聘流程里承担着两层功能第一层是硬性筛选第二层是为面试提供议题素材。我当时有个很深刻的体会面试时被问到的很多问题其实都能在笔试里找到对应的影子。笔试里你卡壳的地方也就是面试官最想追问的地方。所以说笔试答题其实是一场“自我暴露”。你写在卷面上的每一个技术判断都会成为面试官判断你能力边界的依据。我的建议是会多少写多少但不要硬编造。如果你对一个知识点只有模糊的印象可以诚实地写出“这里我理解得不够深但从工程角度我觉得应该这样处理”这比写半吊子的推导要好得多。面试官不怕你不会怕的是你意识不到自己不会。还有一点设计题的答题框架大于细节。我当时在综合应用题里写了一个多传感器融合方案的框架并没有把每个公式都推导到最底层但明确了数据流、坐标系对齐、时间同步、异常处理这几个关键环节。后来面试官反馈说这种“先搭框架、再逐层抠细节”的思维方式是他们在笔试中最想看到的工程素养。5. 从笔试到offer我给后来备考者的几点建议5.1 复习清单与优先级排序如果你现在正准备投递智能驾驶研发工程师这个方向我根据这份笔试的考察逻辑给你整理了一份复习优先级清单。注意优先级不是按学科难度排的而是按“投入产出比”排的。第一优先级是C、数据结构和基础算法。这不仅是因为它在笔试里占比大更因为它是后面所有专业方向复习的地基。C至少要做到理解内存模型、掌握STL常用容器和算法、能写出无内存问题的代码、理解移动语义和智能指针。数据结构的重点在链表、树、哈希表、堆配合LeetCode上对应标签的中等难度题练习。第二优先级是线性代数、概率论和经典图像处理。数学不需要刷题但要对核心概念形成直觉。要做到看到SVD就知道它能干什么看到高斯分布就能联想到协方差矩阵的几何意义看到贝叶斯公式就能自然地把它套到传感器融合场景里。图像处理要掌握滤波、边缘检测、Hough变换和最小二乘拟合并且能自己用OpenCV写一遍。第三优先级是卡尔曼滤波、PID控制和ROS基础。这些是智能驾驶专业性最强的部分也是决定你能不能从“通用码农”变成“智能驾驶工程师”的部分。卡尔曼滤波务必自己手推一遍PID要能解释P、I、D三个参数对系统响应的影响ROS要动手跑一个小例会比如发布一个话题、订阅一个话题、用tf做坐标变换。第四优先级才是深度学习模型。虽然感知模块现在确实以深度学习方法为主但笔试里反而不会考察太多模型结构细节顶多问一两种常见网络的整体结构。原因也很简单——深度学习知识更新太快笔试无法代表真实能力面试官更可能在面试环节聊项目时考察这部分。5.2 关于“真题”找到比刷题更重要的规律很多同学在备考时会到处搜“原题”甚至花钱买一些流传出来的题库。我的态度是可以参考但不要沉迷。因为每年的题目一定在变单纯背题很难覆盖不断扩展的知识面反而会让你陷入“我刷过这道题”的虚假安全感。更有价值的做法是研究岗位说明书。滴滴当时发布的智能驾驶研发工程师岗位要求里明确提到了“熟悉C/Python、了解ROS、掌握计算机视觉或机器学习基础、有较强的工程实现能力”。仔细品味这段话再对照卷子里的考点分布你会发现两者高度一致。笔试从来不是脱离岗位需求的炫技场它是岗位需求的可量化投影。与其沉迷于猜题不如对着岗位要求做一次自我能力盘点把短板挨个补齐。另外提醒一点笔试前一定要动手写代码不要只看不写。特别是手写数据结构题和图像处理pipeline平时看明白了和自己能完整写出来是两回事。我当年在复习时坚持每天手写两段核心代码从链表的逆置到卡尔曼滤波一边写一边在注释里写给自己的提醒。这个习惯让我在笔试时对代码题的节奏把控相当稳定。5.3 个人体会现在回看2018年那场笔试我最深的体会是它考的不只是知识点而是一个人“在系统里思考问题”的习惯。智能驾驶是一个极度复杂的系统工程一个算法模块做得再漂亮如果和上下游衔接不上也毫无价值。这份笔试里的每一类题目其实都在轻声问同一个问题——你是否具备理解一个完整系统、并在不确定环境中做出稳健决策的能力。备考时我也是大量刷题但真正让我通过笔试的是之前跟着导师做项目时反复调试ROS节点、校准传感器、排查数据时间戳不一致问题的那段经历。那些看起来“不务正业”的工程杂活反而帮我积累了笔试设计题里想要的“系统直觉”。最后给一个小技巧笔试前把“坐标变换”“时间同步”“安全兜底”这三个词写在一张便利贴上贴在电脑边。答题遇到设计题时先问自己这三个问题坐标系对齐了吗时间戳对齐了吗出现异常时有兜底方案吗这三个问题想清楚了很多设计题的答案会自动浮现出来。祝备考顺利希望这篇文章能帮你省下一点自己摸索的时间。