一份标题信息量其实很大。滴滴出行2018校园招聘网申笔试-智能驾驶研发工程师第三批如果你只是把它当成一条过期招聘信息那就太可惜了。这类岗位的笔试题目设计背后反映的是当时智能驾驶行业对研发工程师的核心能力要求。直到今天再看这个能力模型依然成立只是工具和框架换了一茬。这篇文章我想从一个过来人的角度拆解一下这类笔试背后到底在考察什么以及如果你想走智能驾驶研发这条路应该怎么准备。先说一个容易踩的误区很多人以为智能驾驶研发工程师笔试会大量考察深度学习论文、背诵网络结构或者让你手推一堆复杂的数学公式。实际上这类笔试筛选的不是“背题家”而是具备系统认知、工程思维和算法基本功的人。为什么因为自动驾驶是一个典型的复杂系统工程单一模块再强如果不懂上下游衔接放到真实车辆上就是灾难。笔试只是第一道门槛它在用有限的时间判断你对整个系统的理解深度。1. 先从岗位本身说起智能驾驶工程师笔试到底在筛什么人1.1 滴滴做智能驾驶的特殊背景出行平台的技术视角要理解这份笔试的考察逻辑得先明白滴滴做智能驾驶和车厂做智能驾驶的区别。传统车企做自动驾驶逻辑是“单车智能”把一辆车做得足够聪明从A点到B点完全不需要人干预。但滴滴这类出行平台关注点完全不一样——它更关注车队级的运营效率、调度系统、接单逻辑、路网协同以及极端场景下的安全兜底。这个背景直接决定了笔试的侧重点。放到2018年这个时间点打车平台积累的出行数据、路况数据、司机行为数据本身就是自动驾驶研发的天然养料。所以笔试题目不会只盯着某一个感知算法问到底而是会站在“整个出行场景如何被自动驾驶重构”的角度去出题。比如你如何评估一辆自动驾驶出租车在早晚高峰、雨天、夜间、停车场这些场景下的表现这种题看起来是开放题其实在考察你能否跳出单一技术模块从系统的角度思考。1.2 笔试考察的三个底层能力基于我对这类岗位笔试的观察核心考察点可以归纳成三类。第一类是数学与算法基础这是硬门槛线性代数、概率论、数值优化、常用数据结构。第二类是对自动驾驶系统全链路的认知从传感器、感知、定位、规划到控制你要能画出完整的系统框图并且能讲清楚每一层的数据流和反馈机制。第三类是工程化思维包括代码能力、调试能力、对实时性和安全性的理解。这三类能力不会平均分配题目数量但有一个共同特征它们都在考察你“是否真的动手做过事情”。一个只读过《深度学习》教材的人和一个在实验室里跑过真实采集数据、做过标定、调过控制参数的人面对同一道笔试题目写出来的答案深度是完全不同的。笔试设计者的意图很明确——用有限的几道题把“会说的”和“会做的”区分开来。1.3 这类笔试不会考什么逆向思维一下也能帮我们划定复习边界。第一个不考不考具体某款深度学习框架的API调用。2018年主流的框架后来迭代了好几版笔试题目更关注底层概念——比如反向传播的本质、损失函数的设计逻辑而不是“某个函数应该填什么参数”。第二个不考不考纯前端或纯App开发技术。如果你是那种只练过Web开发、对传感器和车辆控制毫无感觉的人建议先补一补汽车电子和机器人学的基础。第三个不考不考需要背诵整篇论文的细节。大家都不傻自动驾驶领域论文更新速度极快2018年考的SOTA网络到今天可能早就过时了笔试考察的是你理解问题的能力不是记忆力。2. 感知模块的考察重点图像、点云与传感器融合2.1 坐标系变换与相机标定不可跳过的基本功笔试里最稳的拿分点之一就是坐标系变换。一辆车上同时装了相机、激光雷达、毫米波雷达、GPS/IMU每个传感器都有自己的坐标系。所谓多传感器融合第一步就是把这些传感器统一到同一个坐标系下。笔试题目通常会给一个外参矩阵让你把一个相机坐标系下的3D点投影到像素坐标系或者反过来把像素坐标反投影到车身坐标。这类题考察的就是你能否流畅地完成坐标系的刚性变换。相机标定也是高频考点。你需要理解针孔相机模型、内参焦距、主点、畸变系数、外参相机相对车身的位姿以及畸变矫正的基本公式。2018年前后很多自动驾驶团队还在用MATLAB或OpenCV的棋盘格标定法后来才逐步出现基于靶标的高级标定。笔试不要求你手推张正友标定法的全部推导但至少要搞懂标定解决的是什么问题内外参各是什么含义畸变矫正怎么做这些概念搞清楚了后面的融合题目才能接得住。2.2 目标检测与分割经典方法到深度学习的过渡在感知这一块笔试的重点通常放在基础概念和核心指标上。2018年Faster R-CNN、YOLO、SSD是目标检测的主流选择但笔试不会考“YOLOv3的anchor是怎么聚出来的”这类细节而是更可能问目标检测中的NMS是干什么的IoU怎么计算mAP怎么统计这些是检测任务的数据基础。图像分割也常见——语义分割和实例分割的区别、U-Net和FCN的基础结构、分割结果如何转成下游可用的障碍物信息。当时很多候选人对分割的理解停留在“把像素分类”这个层面但真正会用的人知道分割输出之后还要做聚类、目标跟踪、形状拟合才能变成规划模块能用的障碍物边界。笔试如果让你设计感知输出接口考察的就是你有没有考虑过下游任务的输入格式。点云感知是另一个重点。激光雷达点云的处理逻辑和图像完全不同从滤波、地面分割、聚类到目标检测、跟踪。点云的高频考点包括体素滤波Voxel Filter、直通滤波PassThrough Filter、RANSAC平面分割、欧式聚类。笔试题目可能让你比较“基于点云聚类的目标检测”和“基于深度学习的点云检测”各自的优缺点这种题没有绝对正确答案但能看出你对计算量、实时性和鲁棒性的理解。2.3 多传感器融合的题目逻辑传感器融合是感知模块的压轴题。笔试常见的切入点有三个层级数据级融合、特征级融合、目标级融合。数据级融合是把原始数据直接拼在一起优点是信息损失最小缺点是计算量巨大、对时间同步要求极高特征级融合是在特征层面拼接目标级融合是每个传感器先独立出目标再在目标层面做关联与融合。笔试最常考的其实是目标级融合因为它在工程上最可行也是2018年左右大多数自动驾驶团队实际采用的方案。融合题的底层逻辑是贝叶斯滤波和卡尔曼滤波。你不需要记住卡尔曼滤波五个公式的每一个下标但要能讲清楚状态预测方程和观测更新方程各自在做什么为什么噪声协方差矩阵会对融合结果产生那么大影响什么叫数据关联匈牙利算法在目标匹配里解决什么问题这些概念搞懂了你就不会被一道“多传感器目标匹配”的场景题卡住。3. 定位、地图与SLAM容易被低估的硬骨头3.1 出行场景为什么把定位放在这么高的位置感知模块答完之后很多人会忽略定位这个方向觉得“导航不是已经很成熟了吗”。但自动驾驶需要的定位和你手机里的导航定位完全是两码事。手机导航精度是米级够用自动驾驶在高速上变道、在停车场里倒车入库定位精度要到厘米级甚至需要搞清楚“我在当前车道的哪个位置”。尤其是出行场景城市峡谷、隧道、地下停车场、高架桥下GPS信号被遮挡非常严重这时候定位模块不能崩。笔试题目会围绕这个问题展开在GPS信号弱的环境下如何保证车辆的连续定位答案通常落在组合导航上——IMU提供短时高精度的相对运动轮速里程计提供速度约束视觉里程计或激光里程计提供环境相对位姿最后通过滤波或因子图融合。你需要理解这些传感器各自的误差特性IMU有漂移视觉在弱纹理环境会失效激光在雨天容易受到噪点干扰——融合的意义就是让不同传感器互相弥补短板。3.2 卡尔曼滤波与组合导航的考点卡尔曼滤波笔试中非常经典但对很多候选人来说也是重灾区。问题往往出在只背了公式却不知道什么时候该用线性卡尔曼什么时候该用EKF什么时候该用UKF。面试官或者笔试题目如果稍微变一下——比如观测方程是非线性的你还能直接套标准卡尔曼吗——很多人就卡住了。组合导航是定位模块的核心核心链路就是GNSS全球导航卫星系统加IMU惯性测量单元加轮速计加视觉/激光里程计的组合。笔试可能让你画出组合导航的系统框图解释为什么GNSS信号丢失后系统还能继续工作一段时间也可能让你算一个简单的IMU预积分问题考察你对姿态更新的理解。如果你项目里真正处理过IMU数据这类题基本就是送分题。3.3 高精地图与传统地图的差异高精地图也是笔试可能涉及的内容。它和普通导航地图的区别在于高精地图里存的不是“这条路叫什么名字”而是车道级的几何信息、拓扑关系、曲率、坡度、交通标志、信号灯位置、车道线类型。对自动驾驶来说高精地图提供了一个“先验信息”让感知模块不用每次从头识别环境——比如感知到前方有停止线可以先对照地图确认这条停止线确实存在再决定要不要减速。笔试如果考高精地图通常围绕两个角度一是地图的图层结构从道路级到车道级到定位特征层每一层的数据怎么组织二是地图的实时性与更新策略比如修路导致车道线变化车辆如何感知到这种变化并反馈给云端。这个方向在2018年非常热门但现在看来很多公司已经走向“轻地图、重感知”的技术路线。笔试的关注点不是要你押中行业趋势而是看你能否理解地图和感知之间的互补关系。4. 规划与控制从寻路到跟车全是场景题4.1 全局规划与局部规划的分工逻辑规划模块是自动驾驶的“大脑”笔试里一般分两段考察。第一段是全局规划解决“从A到B走哪条路”的问题。常见算法包括Dijkstra、A*、RRT以及后来在自动驾驶中大量使用的Lattice Planner和EM Planner。笔试可能让你手写Dijkstra或A的伪代码也可能会问你A里的启发式函数怎么设计为什么不能随便用一个不满足可采纳性的启发式第二段是局部规划解决“当前车道怎么走、前方有障碍物怎么绕”的问题。局部规划需要考虑车辆运动学约束不能规划出一条理论上很美但车根本开不过去的轨迹。笔试常见的切入点是Frenet坐标系——为什么在道路场景中要把XY坐标转换到SL坐标下规划为什么横纵向要解耦这些概念的背后其实是工程上把复杂问题拆解成可求解子问题的思路。4.2 控制算法怎么考PID、MPC与横向纵向控制控制模块的笔试考点相对固定但很能看出候选人是否有实战经验。PID控制是最基础的保底技能笔试可能让你写一个PID更新公式或者问“增大比例系数会发生什么”。但真正有区分度的题目是MPC模型预测控制——它和PID的本质区别是什么PID是反馈控制看到误差才行动MPC是滚动优化它预测未来一段时间的状态在这个预测窗口内求解一个带约束的最优化问题只执行第一个控制量然后滚动前移。横向控制和纵向控制的划分也常考。横向控制管方向盘——典型的算法有Pure Pursuit、Stanley、LQR、MPC纵向控制管油门刹车——典型的算法有PID跟车、模型预测巡航控制。笔试可能给你一个场景题前车突然减速你的纵向控制应该怎么响应你不仅要能说出PID的误差量是距离误差还是速度误差还要能考虑舒适性约束——如果刹车过猛乘客体验会很差。4.3 场景题里的工程判断力规划控制的压轴题往往是开放场景题。比如典型的“无保护左转”“十字路口博弈”“被加塞怎么办”“行人突然横穿马路”。这类题没有标准答案但能通过候选人的回答看出工程判断力。一个好的回答会先拆解问题先识别这个场景的风险点在哪里然后设计一个带优先级的策略。比如无保护左转需要先判断对向直行车辆的速度和距离设置一个“安全间隙”阈值再决定是等待还是通过。考虑博弈问题时优秀的候选人会提到“防守性驾驶”——不要试图用运动规划去“吓退”对方而是默认对方不会让行提前减速观察确定安全后再通过。这种回答不是靠刷题能练出来的它来自于对真实路况的观察和总结。5. 系统工程与安全笔试里的隐藏权重项5.1 中间件与通信机制数据怎么在规定时间内到达很多候选人把注意力全放在算法上一聊到中间件和通信就露馅。自动驾驶系统里跑着几十个节点——感知节点、定位节点、规划节点、控制节点它们之间要高频交换数据。如果通信链路不稳定或者延迟波动大算法再优秀也会出问题。笔试考这个方向通常围绕几个核心概念ROS和ROS2的区别、DDS的发布订阅机制、数据序列化、时间戳同步、数据回放。2018年时很多人还在用ROS1对ROS2的了解普遍不深。但现在回头看分布式架构、确定性通信、故障隔离这些能力才是衡量一个系统能否上车的关键。笔试如果问“你怎么保证不同传感器的话题数据在时间上对齐”答案不是背一个时间戳而是理解从硬件触发、驱动时间戳到算法层时间同步的一整套流程。5.2 仿真、数据闭环与回放为什么说“数据是自动驾驶的燃料”仿真和数据闭环是笔试里一个容易被忽视却又非常重要的考察方向。为什么因为自动驾驶的路测成本太高大量场景无法在真实道路上复现。仿真平台的价值在于它能批量生成各种边缘场景——极端天气、宠物穿行、突然掉落物、施工路段——这些场景在真实道路上百小时未必遇到一次但在仿真里可以批量重复。笔试如果涉及仿真考察点通常在几块仿真平台与真实车辆之间的差异传感器建模的真实度、物理引擎的准确度、场景库怎么设计、如何用路采数据自动生成仿真场景、如何评估仿真覆盖率。这些概念不需要你真正实现过一个仿真器但如果你能讲清楚仿真在整体研发流程中的位置就已经比大多数候选人强了。5.3 功能安全与冗余设计自动驾驶的“底线思维”功能安全是笔试中常被忽略的“隐藏权重项”。很多人对这个方向完全没概念觉得它偏测试和认证跟研发工程师没关系。但恰恰相反任何一个想落地的自动驾驶系统都必须考虑安全问题。笔试对这个方向的考察通常不会太深但有几个概念你要能讲清楚ISO 26262标准是干什么的、ASIL等级怎么划分A到DD要求最高、fail-safe和fail-operational的区别。你还要能说出常见的冗余设计——比如感知传感器冗余相机激光雷达毫米波雷达、计算单元冗余双系统互为备份、执行器冗余转向和制动的冗余设计。笔试题目可能给你一个刹车失效的场景问你系统应该怎么设计才能保证安全降级。这类题目答得好能明显提升你的整体评价。6. 笔试之外的准备项目复盘与求职策略6.1 项目复盘怎么讲出“系统感”笔试只是第一关面试时项目复盘的表现往往决定最终结果。很多候选人有一个通病项目讲得像流水账——“我用YOLOv3做了车辆检测精度到0.89”。这种讲法完全暴露了对系统的理解深度不够。一份有竞争力的项目复盘至少要能讲清楚三件事你做这个模块在整个系统里处在什么位置你的输入从哪里来、输出到哪里去你遇到的最大困难是什么怎么解决的举一个例子。如果你在校期间做过一个车道线检测项目不要只讲“我用了UNetmIoU到0.82”。你可以这样讲你为什么选择用语义分割来做车道线检测而不是传统的边缘检测Hough变换因为车道线在真实场景中存在遮挡、磨损、光照变化传统方法鲁棒性不够。然后讲你的方案如何落地分割输出后怎么提取车道线中心点怎么拟合出曲线怎么判断当前车道还是相邻车道。最后讲实际效果在公开数据集上测了什么指标在自采数据上表现如何失败场景主要有哪些后续怎么优化。这才是一个有系统感的回答。6.2 算法题与工程问题的平衡笔试中肯定会有一道代码题通常是LeetCode中等等级的题目。智能驾驶方向不会考太偏的算法竞赛题但会在题目里埋一些边界条件考察你的工程习惯。我见过一个候选人把算法思路讲得清楚但代码里一个空指针判断都没写明显是平时缺少工程训练。一个值得注意的细节是自动驾驶的代码题边界条件的处理比算法本身更重要。输入数据可能为空、数组可能越界、浮点数比较要注意精度、异常输入要能返回错误码——这些习惯不是临时刷题能刷出来的而是在平时写代码时就要养成的。如果笔试允许伪代码建议把逻辑结构写清楚把关键变量名起得可读性更好一点这都能帮你拿到印象分。6.3 围绕出行场景做针对性准备既然岗位方向是出行平台的智能驾驶准备时就应该有场景感。你可以提前思考自动驾驶出租车在真实运营中会遇到哪些普通人想不到的问题比如乘客突然打开车门、停靠点被非法车辆占用、雨天传感器脏污、夜间低光照环境、高架桥下GPS信号丢失。这些问题如果能在笔试或者面试中主动提出来而且能给出初步的应对思路那个画面感是完全不一样的。出行场景的另一个特点是“商业化和安全的权衡”。自动驾驶出租车要盈利就不能一直靠安全员兜底但安全是底线不能为了效率去踩红线。如果你能在笔试中展现出对这种权衡的思考比如在设计策略时既考虑舒适性又考虑通行效率就已经超越了大多数只关注算法性能的候选人。7. 一些复盘体会与后续建议聊了这么多最后分享一点我自己的体会。很多人准备智能驾驶岗位的笔试喜欢把自己埋在算法题和大模型里觉得“把最新的网络结构背下来就稳了”。但根据我接触过的面试和笔试经验这类岗位真正长期有效的知识反而是那些看起来有些基础的东西坐标变换、卡尔曼滤波、PID控制、A*寻路、传感器误差模型、通信时序、安全降级逻辑。为什么因为智能驾驶是一个高度依赖工程落地的领域。一个能准确画出自动驾驶全链路系统框图、能讲清楚每个模块的输入输出、能在代码里考虑边界条件的人比一个只会背最新论文的人值钱得多。技术迭代很快但系统认知和工程基本功长期稳定。一个小技巧分享给大家准备一份“一页纸系统图”不用太长用一张A4纸画出自动驾驶系统的完整架构——传感器层、感知层、定位层、规划层、控制层、执行层每一层标注核心模块和关键数据流。这张图你能不看资料完整默写出来才算真正建立了系统认知。笔试前、面试前都拿它来复习比刷一百道题都管用。2018年的笔试今天看来已经有了时代印记但它背后那个能力模型——数学基础、系统认知、工程思维、场景理解——放到今天的智能驾驶岗位依然有着非常强的参考意义。如果你在这个方向上准备与其焦虑“又冒出一个新框架”不如踏踏实实把底层能力打牢。这套基本功一旦建立不管行业怎么变你都能稳稳接住。