编程语言与工具熟悉C/C编程、Python; 熟悉ROS开发RViz 可视化、URDF 建模、Docker 镜像管理。具体使用Arbotix的ros功能包将所写算法对机器人实体的控制同时在rviz中呈现出来。编写URDF文件在 Rviz 中显示机器人模型刚体部分(link标签) 和 关节(joint标签)的语法。视觉与点云处理熟悉OpenCV、PCL等开源库的使用、熟悉图像检测、特征提取、激光点云预处理、NDT/ICP 配准。具体如下opencv中的数据载入显示与保存摄像头的调用图像的颜色空间颜色直方图的概念直方图的反向投影surf特征点的提取图像的腐蚀和膨胀canny算法的边缘检测图像的模板匹配基于颜色阈值的跟踪基于颜色直方图的cameshift函数匹配。熟悉深度学习PyTorch框架、熟悉YOLO系列及语义分割网络曾自主搭建、训练以及改进语义分割模型完成机器人对环境的语义感知。熟悉机器人常见传感器的使用如单线、多线激光雷达、深度相机、IMU、RTK。深度相机的内参标定深度相机与多线激光雷达的联合标定与映射。熟悉 Cartographer、Gmapping、LIO-SAM、A-loam等建图算法激光雷达的三维点云处理, 实现将语义信息引入LIO-SAM建图框架中以构建室外复杂环境下的语义地图。硕士阶段研究方向主要为基于野外复杂环境的多机器人轻量化地貌语义地图构建与自主导航方法研究针对野外复杂环境设计深度学习网络实现机器人语义感知并构建轻量化的2.5D语义高程栅格地貌地图通过RTK定位以实现野外多机器人的语义建图与导航。了解move_base导航熟悉路径规划算法及其优化如A*、D*、Hybrid A*、Dijkstra、RRT*、DWA、TEB等。针对野外环境下的导航任务和实现项目需求优化全局路径及局部路径规划算法。熟悉常用的路径平滑算法和曲线如贝塞尔曲线B样条曲线了解RS曲线、Dubins曲线。熟悉常用的机器人运动控制算法及其优化如MPC、NMPC、Pure Pursuit、Stanley、LQR、PID、模糊控制等并针对实习项目需求优化相应的控制算法。具备扎实的数学建模基础熟练使用 Matlab、SPSS、Origin 完成数据分析、建模、仿真与可视化。熟练使用 LaTeXTeXstudio 撰写学术论文具备良好的科研写作与汇报展示能力。熟悉 Word、Excel、PowerPoint 办公套件擅长数据处理、图表绘制与 PPT 设计美化。掌握 STM32、Keil5 基础开发具备电路焊接、程序调试与硬件调试能力。设备型号robosence 速腾科技的三维激光雷达16线intel D435i 深度相机实际也是双目测距计算两个视角下的图像的水平视差只是添加了结构光来增加物体的纹理来增加测距的准确度。hunter上的迷你主机Intel NUC 11 PHKi7C, NVIDIA RTX3060 GPU with 12GB of video memory. 语义分割网络可达60帧/s. 参数量仅有1.28M. 模型是在CPU跑的GPU用来加速。自我介绍面试官您好我叫***是**大学控制科学与工程专业的硕士研究生。我的研究方向是机器人环境感知与导航核心做过轻量化语义分割、点云处理和多传感器融合 SLAM 相关的项目。科研上我以第一作者发表了一篇 SCI 期刊论文《DMRINet》针对非结构化地形设计了轻量级语义分割网络解决了野外场景下机器人的实时感知问题工程上参与过百万级的企业项目负责点云滤波的反光柱检测、优化路径规划算法优化速度控制逻辑设计调度、通信、仿真UI系统基于Tkinter 模块是 Python 的标准 Tk GUI 工具包的接口实现了 AGV 的厘米级精准停车通过反光柱位置约束完成定位校正与自动回充。熟练掌握 C/C、Python、ROS 开发用过 Cartographer、LIO-SAM 等主流 SLAM 框架也熟悉 PCL 点云库和 点云处理及拼接。竞赛上我完整搭建过基于激光 IMU 的多传感器融合导航系统实现了YOLO卡尔曼滤波目标跟踪。硕士阶段研究方向主要为基于野外复杂环境的多机器人轻量化地貌语义地图构建与自主导航方法研究针对野外复杂环境设计深度学习网络实现机器人语义感知并构建轻量化的2.5D语义高程栅格地貌地图通过RTK定位以实现野外多机器人的语义建图与导航。我对贵司的 SLAM 算法工程师岗位非常感兴趣也希望能有机会加入团队把我的项目经验落地到实际产品中。常见问答项目1百万级企业AGV导航项目项目介绍本项目旨在开发一套室内外复杂运维环境下大型运输车的定位与导航系统包括多传感器数据融合、高精度定位、雨雾环境下导航、路径规划与导航等。在园区场景下针对重载AGV长4.5米宽2米载重数10吨自研一套自主运输系统包括调度系统、导航系统、建图定位系统等。本系统目前已进入商用。1. 你在项目中负责什么1导航感知与停车精度优化针对复杂场景工人的反光条干扰严重导致车辆 “提前停车” 误判影响调度逻辑设计了反光柱检测算法对比实现基于 RANSAC 圆柱拟合与多条件约束滤波两种点云处理方案通过实验验证确立基于高度 / 间距 / 反射强度的均值计算法有效消除工人反光条干扰实现末端的精准停车。2运动控制算法优化解决原有线性减速效率低、路径切换速度间断、参数不匹配问题设计梯形加减速方案兼顾精度与效率采用双路段并行计算预读速度精简系统逻辑、消除间断实车验证设计长直道实验建立速度-减速距离关联模型提供精准实车参数。3调度系统工程化落地各层之间的通信协议设计交互信息类型设计导航与调度接口设计等接口的信息流规定和设计实现。实现外设设备呼叫或者调度界面启动AGV自主导航无人化完成运输任务。基于对调度系统的深度学习与掌握整理调度核心代码搭建清晰的系统框架完善可视化调度界面与仿真验证流程完成调度模块全套开发文档整理保障项目后续维护与迭代。4) 优化A*算法针对园区场景及运输路线要求结合车道线信息和调度点信息优化A*规划算法。并利用B样条曲线进行路径平滑运输的参考路线。同时提供路线文件加载和自主规划两种选择适应园区固定运输和动态避障的需求。路线文件加载将agv开到提前编辑好的固定路线的拓扑点位置并收到调度信息的指示后会按照调度的拓扑路径点A*生成路径经B样条的曲线的平滑后输出平缓的路径优化启发函数的代价设定靠近车道线代价更低偏离车道代价升高让路径更贴车道、更平滑、更安全。动态避障当检测到车前方的视野内出现障碍物时会自动切换到避障模式。2. 反光柱检测如何实现对比两种方法的识别效果1.欧式聚类➡️高度间距反射强度滤波➡️采用聚类均值作为反光柱坐标。2.对进行反射强度滤波并聚类后的点云加入了RANSAC随机抽样一致算法算法进行圆柱拟合筛选内外点来估计圆柱的参数从而获取反光柱坐标。效果消除反光条干扰实现厘米级精准停车比RANSAC更快更鲁棒。知识解释RANSAC随机抽样一致算法可以理解为一种给定模型的采样的方式所以对于多项式拟合、混合高斯模型GMM等理论上都是适用的。RANSAC算法不同与传统的平滑过程传统方法是利用尽可能多的数据来获得一个比较原始的解然后尝试使用一些优化算法来消除invalid的数据点。对于RANSAC则是使用一个比较小的数据集然后再尽可能的使用一致的数据来扩大原来初始化的数据集。3. 梯形加减速解决什么问题原线性减速末端速度低、效率差、易卡顿采用梯形加减速提升平稳性与效率同时加入**路径预读**提前计算下一段速度消除速度间断。4. 多传感器融合方案激光雷达IMURTK完成外参标定、时间同步ros message_filters中的近似时间同步、数据对齐与融合定位使用LIO‑SAM紧耦合方案提升建图与定位稳定性。5. 遇到最大困难及解决复杂场景下反光条干扰导致AGV误停车、调度异常。通过点云滤波聚类多条件约束筛选彻底滤除干扰实现实车稳定可靠停车。三、项目2政务服务机器人人工智能创新大赛·导航跟踪1. 项目整体介绍面向政务大厅研发融合大模型交互与自主导航的服务机器人系统分为人机交互层与机器人控制层队友负责RAGQwen大模型、语音识别我负责SLAM建图、定位、导航、行人检测与跟踪。解释RAG检索增强生成2. 大模型与机器人指令如何打通核心是**语义地点—地图坐标映射表**1. 我用Gmapping完成大厅建图2. 标记关键点位并生成地点名与坐标对应表3. 大模型输出地点名称系统查表转为ROS目标坐标4. 我负责路径规划与运动执行。3. 行人跟踪/寻人如何实现采用**YOLO检测卡尔曼滤波平滑PID闭环控制**不依赖全局路径规划1. YOLO检测行人获取目标中心与距离2. 卡尔曼滤波对目标位置做状态估计与轨迹平滑抵消检测抖动、漏检、跳变3. 按目标画面偏移用PID控制转向按距离用PID控制前进速度4. 左右0.1m范围内检测到障碍物立即反向转向实现基础避障5. 整体为实时视觉伺服控制轻量、稳定、响应快。4. 卡尔曼滤波遇到的最大困难YOLO检测抖动、帧率不稳、有时漏检导致机器人的目标点不连续从而导致机器人的转向卡顿、跟随不平稳。解决采用**匀速运动模型CV**状态向量为[x,y,vx,vy]以YOLO检测坐标为观测量通过卡尔曼滤波预测融合更新输出平滑连续的目标点坐标再送入PID控制器使跟随更柔顺、安全、稳定。5. 你负责的核心模块Gmapping建图、AMCL定位自适应蒙特卡洛定位、Dijkstra全局规划TEB局部避障时间弹性带、地点坐标映射表、YOLO行人检测、卡尔曼滤波跟踪、PID伺服控制、实车联调。6. 安全话术必说大模型、RAG、语音交互由队友负责我专注机器人建图、导航、目标检测与跟踪算法开发。四、研究生机器人创新设计大赛我做的是面向毛纺车间的多智能体协作巡查 - 清扫机器人主要解决毛纺车间羊毛粉尘多、清洁效率低、人工成本高的行业痛点。项目采用侦察机器人 清洁机器人协同作业侦察机器人负责全局巡检、羊毛识别与地图构建清洁机器人负责精准清扫实现感知 — 决策 — 执行全流程自动化整体效率比传统方式提升 55%能耗降低 28%。主要做的是Faster RCNN目标检测网络的改进用Intel Core i7-14700HX处理 器与NVIDIA GeForce RTX 4070 显卡1.引入特 定设计的损失函数有效增强了羊毛纹理特征的捕捉能力2.卷 积层与特征金字塔显著提升特征表征能力识别准确率维持在97.2% 处理速度提升至23帧/秒计算资源消耗减少40%------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------知识解释1.紧耦合与松耦合松耦合将LiDAR和IMU的数据独立处理然后在高层次上进行融合。代码实现相对简单但是精度较低时序同步问题更严重无法充分利用各传感器的优势来补偿弱点。紧耦合直接在传感器数据的低层次进行整合将LiDAR扫描数据和IMU的数据在一个共同的滤波器如扩展卡尔曼滤波器或图优化方法中联合处理。IMU提供高频率的短时间内精确运动估计LiDAR则提供低频率但更精确的位置信息和环境特征。两者的数据互相补充和校正从而提高整体系统的精度和鲁棒性。但是紧耦合方法需要在算法设计上更复杂的处理包括更复杂的数据融合算法和更高的计算要求实现难度较大。2.扩展卡尔曼滤波EKF是通过泰勒展开来解决非线性情况下的问题卡尔曼滤波KF只能处理线性问题。及物理模型为线性系统的预测3.回环检测4.图优化图优化就是把 SLAM 里机器人位姿和路标点作为图顶点把里程计约束如imu预积分计算帧间相对位姿约束激光里程计通过两帧的点云匹配计算出的帧间约束回环检测得到闭环后通过点云配准得到回环约束、观测视觉slam的观测点约束作为约束边 通过最小二乘全局迭代微调所有位姿消除里程计累积漂移同时优化轨迹和地图的后端优化方法。最重要的是回环检测约束它是让图优化起作用的机制没有回环检测图优化就没有任何作用。5.imu预积分与起始的位姿解绑不会牵一发而动全身只计算相邻点云帧的相对关系输出相对旋转相对平移相对速度。可作为图优化中的帧间约束补偿激光的运动畸变。四、技术基础必考题感知/导航岗1. SLAM相关最熟悉算法**LIO‑SAM**激光‑IMU紧耦合前端曲率计算、边缘/平面特征提取后端帧间匹配、IMU预积分、滑动窗口优化你做过语义信息融入提升复杂场景鲁棒性2. 点云预处理流程1. 运动去畸变 2. 体素滤波降采样 3. 半径滤波去噪 4. 地面分割 5. 欧式聚类 6. 特征提取3. ICP vs NDT- ICP点对点/点到面精度高、速度慢、易局部最优- NDT概率分布匹配速度快、抗噪强适合实时定位4. 卡尔曼滤波你必会- 作用状态预测、数据平滑、去抖动、抗短时丢帧、提升跟踪稳定性- 你的模型匀速模型CV- 状态x, y, vx, vy- 观测YOLO检测的目标中心坐标5.相机与激光雷达标定lidar_camera_calibration三维雷达-相机标定使用3D-3D点的匹配参考链接中的标定设备刚好为D435i和Velodyne 32雷达。参考连接https://blog.csdn.net/zkk9527/article/details/121330088标定工具https://github.com/ankitdhall/lidar_camera_calibration6.在vscode编译器中使用GitHub Copilot中的Claude code 大模型协助完成工作。