2023年秋招那会儿我本来主要投自动驾驶感知方向后来被速腾聚创的机器人算法岗吸引想着这家公司做激光雷达起家机器人业务线的算法岗大概率能接触到点云、感知和导航的完整闭环就顺手投了一份。笔试当天打开页面扫了一遍题目说实话有点意外它跟纯互联网大厂的算法笔试风格不太一样数据结构题有但机器人学、控制理论、感知相关的专业题占的比重明显更大而且选择题和多选题覆盖的知识面非常杂从KMP的next数组到PID参数整定从粒子滤波到ROS的通信机制都有涉及。这篇就把我记得的题目范围、解题思路和踩过的坑整理出来给后面准备速腾聚创或者其他激光雷达公司机器人算法岗的同学一个参考。需要说明的是这毕竟是回忆版具体题目顺序和表述跟原卷有出入但考察的知识点和难度层级是靠谱的结合同批次考生的交流整体还原度比较高。1. 投递前要摸清的岗位定位与笔试范围1.1 速腾聚创的机器人算法岗到底在做什么速腾聚创主打激光雷达硬件但机器人算法岗不完全等于点云算法岗。从笔试题目能明显感觉到这个岗位更侧重机器人系统的整体算法链路包括感知、定位、规划、控制这些模块。具体来说它考察的能力可以分为四块扎实的代码功底和数据结构基础手撕代码题占到一定分值机器人学核心知识比如运动学、动力学、ROS通信、导航栈、PID控制感知与状态估计相关能力点云处理、滤波算法、目标检测都可能是考点概率统计和优化理论基础粒子滤波、贝叶斯公式、梯度下降这类数学推导要熟练。这和做纯感知算法或者纯决策规划算法的岗位有明显区别。如果你只刷LeetCode而对ROS、机器人学基础不熟笔试会比较吃亏反过来如果你ROS项目经验丰富但手撕代码不够快同样拿不到高分。1.2 从题目构成看笔试考察的七大知识块结合我自己的答题记录和其他考生的反馈这套笔试试卷大致可以归成下面几个模块知识模块大致占比典型考点数据结构与经典算法25%KMP、排序、贪心、动态规划、图论机器人控制与运动学20%PID、雅可比矩阵、Delta机器人动力学ROS与机器人系统15%通信机制、导航栈、TF变换、MoveIt激光雷达与点云感知15%点云滤波、地面分割、目标聚类状态估计与概率滤波10%粒子滤波、贝叶斯公式、卡尔曼滤波机器学习与深度学习10%损失函数、目标检测轻量化网络工程与综合题5%软硬件交互、嵌入式资源受限优化这个比例说明了一个问题速腾聚创并不想招一个只会在OJ上写题的人它更希望候选人理解机器人系统从传感器数据到执行器指令的完整链路。备考时要把视野放宽不要只盯着一类题猛刷。2. 数据结构和算法题手撕代码的三个高频考点2.1 KMP算法与next数组字符串题必考细节笔试里字符串相关的题基本压中了KMP而且是考察next数组的手算和性质理解。题目大概是给一个模式串要求写出next数组。我记得题目里的模式串是abacabanext数组普遍的定义是除当前字符外的最长相等前后缀长度但不同的教材对next[0]的赋值不一样有的取-1有的取0。这里我吃了小亏因为平时刷题习惯了next[0]-1的写法但题目如果沿用严蔚敏版教材的设定next[1]0next[0]不参与计算答案就不同了。所以答题前一定要先看题目给出的next数组定义。以abacaba为例按最常见的next数组定义前后缀匹配长度next[0]-1推导过程如下下标 i字符前缀后缀最长相等长度next[i]0a无无无-11baa102aab, aba, a103caba, ab, abac, ac, c014aabac, aba, ab, abaca, aca, ca, a115babaca, abac, aba, ab, aacab, cab, ab, b226aabacab, abaca, abac, aba, ab, abacab, acab, cab, ab, a33最终next数组为[-1, 0, 0, 1, 1, 2, 3]。这类题考察的重点不只是背模板而是是否理解next数组的递推逻辑。如果把P[i]和P[j]相等j就加一不相等时j回退到next[j]这是KMP的核心操作。面试问答环节还可能追问KMP的时间复杂度为什么是O(mn)因为它利用了已匹配的信息主串指针不回溯。2.2 排序算法与贪心笔试里的抢分题排序算法这块考得很常规但覆盖得很全。有一道选择题问的是排序算法稳定性还有一些题目让你写出某一种排序的单趟结果。这提醒我们基础不能只靠背结论要能手工模拟整个过程。我整理了一份备考时用的排序算法速查表排序算法平均时间复杂度最坏时间复杂度空间复杂度稳定性特点冒泡排序O(n²)O(n²)O(1)稳定交换次数多快速排序O(n log n)O(n²)O(log n)不稳定常数小、应用广归并排序O(n log n)O(n log n)O(n)稳定适合外部排序堆排序O(n log n)O(n log n)O(1)不稳定建堆调整插入排序O(n²)O(n²)O(1)稳定接近有序时快希尔排序O(n^1.3)O(n²)O(1)不稳定分组插入贪心算法也考了一道题型比较经典类似区间调度问题给定一系列任务的开始和结束时间求最多能完成多少个任务。解法是按结束时间排序依次选择结束时间最早且与已选任务不冲突的任务。这里想强调一个容易忽略的点贪心算法不总是能得到全局最优解它依赖问题是否具备贪心选择性质和最优子结构。面试时被追问为什么这个题可以用贪心要能说清楚理由而不是只回答这题就是这样做的。2.3 图论、动态规划与剪枝时间有限如何取舍笔试卷里还出现了图论相关题目包括二分图最大匹配的HK算法以及树的遍历。这类题在机器人领域的应用场景非常明显比如多机器人任务分配可以建模成二分图匹配SLAM中的回环检测也经常涉及图结构。动态规划也有一两道题难度在中等偏下基本是背包问题和最长递增子序列。这类题目没有捷径关键是把状态定义和转移方程写清楚。我个人的建议是备考优先级上KMP、排序、贪心、简单DP是必须拿下的HK算法这类低频难题如果时间不够可以只理解原理不必过度深挖。手撕代码的时间分配比正确率更重要我身边就有同学在一道KMP推导上花了太多时间导致后面简单的ROS题目来不及做。3. 机器人学与控制理论专业基础题的重灾区3.1 ROS机器人开发从通信机制到导航栈速腾聚创的笔试里ROS相关题目占比不小这跟热搜词里大量出现ros2机器人开发机器人仿真平台机器人导航是吻合的。这个岗位显然默认候选人对ROS有实际使用经验而不只是听说过概念。印象比较深的题目包括ROS中Topic和Service的区别是什么各自适用于什么场景机器人导航中move_base框架包含哪几个核心插件如果机器人在地图中定位丢失应该优先检查哪些环节。Topic是异步通信适合传感器数据流Service是同步请求-响应适合开关类操作。机器人导航的全局路径规划一般用Dijkstra或A*局部规划常用DWA或TEB如果你的Bag文件里机器人出现绕圈、卡顿优先查代价地图的膨胀半径和传感器噪声。还有一道题涉及TF变换问如何获取某个时刻map坐标系下base_link的位姿。答案是使用tf2的lookupTransform接口注意要处理时间戳同步问题否则会报ExtrapolationException。3.2 PID控制与伺服优化条件等待卡顿的底层逻辑笔试里有一道关于PID控制器的题要求写出离散位置式PID的表达式并说明P、I、D三个参数对系统响应的影响。这道题本身不难但它背后关联了一个有意思的工程问题热搜词里提到的ABB机器人怎么优化条件等待卡顿。从控制角度看条件等待卡顿通常是因为控制器在等待某个I/O信号时阻塞了运动指令的执行。PID参数整定不当也会造成运动不平滑。离散位置式PID的表达式u[k] Kp * e[k] Ki * sum(e[0..k]) Kd * (e[k] - e[k-1])实际整定时有个经验口诀先调Kp让系统快速接近目标再调Ki消除稳态误差最后调Kd抑制超调。但在机器人关节控制中微分项对噪声非常敏感如果编码器信号质量差Kd加大会引入抖动甚至损坏机械结构。很多现场工程师遇到机器人抖动、到位不准、等待I/O时顿挫第一反应是查程序逻辑但根源往往在PID参数或者轨迹规划器的加速度限制上。3.3 机器人运动学与动力学Delta机器人方程的启示笔试考到了Delta机器人动力学方程这一点让我有点意外。它说明出题人希望候选人不仅熟悉串联机械臂也关注并联机器人结构。Delta机器人是典型的并联机构由三组平行四边形的主动臂和从动臂组成。其动力学方程推导比串联机械臂更复杂通常可以从拉格朗日方程出发tau M(q) * q_ddot C(q, q_dot) * q_dot G(q)对于Delta机器人动平台质量、手臂的惯量、重力项都要折算到关节空间。实际工程中为了满足高速分拣场景的实时性要求通常会对动力学模型做简化忽略一些次要项然后用前馈反馈的方式控制。如果你准备这类题目建议至少掌握雅可比矩阵的概念理解关节空间速度与笛卡尔空间速度的映射关系v_cartesian J(q) * q_dot当J奇异时机器人会失去某个方向的操作能力这在实际轨迹规划时需要特别避开。3.4 PLC与工业机器人编程题非ROS路线的并存考察笔试图里还有一道基于PLC的工业搬运机器人设计相关的背景题以及ABB机器人怎么添加点位这样的工程操作题。这类题目跟ROS算法题放在一张卷子里初看很突兀但细想就通了速腾聚创的客户很多来自工业自动化领域机器人算法岗的工程师如果完全不懂工业机器人的工作方式很难和客户做技术对接。比如ABB机器人添加点位常规做法是在示教器上手动移动机器人到目标位置然后保存点位数据后续程序通过MoveL、MoveJ指令调用。这里有个坑如果基座标系或工件坐标系定义不准确示教出来的点位可能在程序里跑偏。所以工业现场一般会先校准工具坐标系TCP再示教点位。PLC程序设计同样如此搬运机器人的核心逻辑无非是到位检测、夹爪控制、轨迹切换、异常报警。用梯形图或者结构化文本都能实现关键在于状态机的设计要清晰避免互锁条件缺失导致机械碰撞。4. 感知、概率与深度学习激光雷达公司的特色考点4.1 点云处理与目标特征提取速腾聚创做激光雷达笔试里出现点云处理的题目是意料之中。选择题问了点云降采样的几种方式以及各自的适用场景有一个选项是体素滤波器一个是半径滤波器一个是统计滤波器。体素滤波的做法是把空间划分成固定大小的立方体格每个格子里保留一个代表点通常取重心或者中心点。它可以大幅降低点云密度但会丢失细节。统计滤波器用来去除离群点它计算每个点到邻域点的平均距离距离超过阈值就认为是噪声点。这里有一个工程细节笔试不会直接考但面试常问体素滤波的格网大小怎么设如果设太小降采样效果不明显设太大会丢失薄壁物体的特征。实践中通常根据激光雷达的线数和目标尺寸来估计比如16线雷达做远距离目标检测体素设0.2到0.5米是常见区间而近距离抓取场景可能要降到0.05米。4.2 粒子滤波、粒子群优化与状态估计的区别笔试里有几道概率相关的题其中一道是关于粒子滤波的问的是粒子滤波的核心思想是用一组带权重的随机样本近似后验概率分布以及重采样步骤解决什么问题。粒子滤波的基本流程可以概括为五步初始化在状态空间中撒粒子每个粒子是一个假设状态预测根据运动模型推进每个粒子的状态更新用当前观测计算每个粒子的权重归一化把权重归一化成概率分布重采样剔除低权重粒子复制高权重粒子。重采样解决的是粒子退化问题。没有重采样的话经过几次迭代后大部分粒子的权重会趋近于零有效粒子数很少状态估计精度会急剧下降。同样出现在热词里的粒子群算法是另一回事它是优化算法不是滤波算法核心思想是模拟鸟群觅食每个粒子在搜索空间里移动受个体历史最优和群体历史最优引导。笔试时如果不小心把粒子滤波和粒子群算法搞混写出的答案会非常离谱。这两种算法在机器人里各有应用场景粒子滤波多用于全局定位比如未给定初始位姿时在二维栅格地图上定位粒子群优化多用于参数调优比如让机器人走出一条时间最短路径时优化轨迹参数。4.3 深度学习算法与资源受限机器人的部署机器学习相关的题目占比不大但属于送分还是送命完全看基础是否扎实。有一道题问了常见分类损失函数的表达式比如交叉熵损失L -sum(y_i * log(p_i))还有一道题涉及目标检测的轻量化网络设计大概是问在算力受限的嵌入式平台上部署目标检测模型哪些手段可以降低计算量。选项包括模型剪枝、量化、知识蒸馏、更换轻量骨干网络。这和资源受限机器人这个热搜词完全对应。机器人的计算平台通常比服务器弱很多激光雷达点云又特别吃内存和算力所以模型轻量化不是加分项而是刚需。INT8量化可以把模型体积压缩到原来的四分之一推理速度提升两到三倍代价是精度可能下降1%到2%。剪枝的坑在于非结构化剪枝在某些硬件上加速效果很差你必须配合硬件特性做结构化剪枝比如按通道剪。4.4 音频重采样、规则引擎等非典型题目怎么处理试卷里还混进来一些看起来不太相关的题目比如音频重采样算法规则引擎Drools的Rete算法实现原理和事实匹配过程腾讯视频ckey5.x算法_php版。如果抽到这种题大多数候选人会懵。我的判断是这是题库抽题机制导致的这些题目可能来源于公司其他岗位的题库未必是机器人方向的必考内容。但换个角度看它也在考察候选人的临场应变能力。比如音频重采样核心是插值算法线性插值、三次样条插值、基于FFT的重采样本质上就是信号处理的采样率转换问题。Rete算法则是一种高效的模式匹配算法它通过构建规则网络来减少重复匹配计算在规则引擎里广泛使用。答这类题不需要多深入但至少能说出关键概念证明你具备快速学习新领域知识的能力。5. 复盘与备赛从笔试到面试该怎么发力5.1 考场上最容易失分的三个环节第一手写KMP等算法推导时忽略教材差异next数组定义不同导致答案完全不对。建议考前看一眼速腾聚创笔试系统里有没有给出定义说明如果没给按你常用的写法作答并附推导过程阅卷人更容易给分。第二ROS相关题目答得过于理论化没有结合工程场景。比如题目问move_base中局部代价地图和全局代价地图的区别如果只回答一个全局、一个局部基本拿不到分。要补充局部代价地图更关注传感器实时障碍物更新频率高而全局代价地图通常由静态地图和膨胀层构成。第三时间分配失衡。我的建议是拿到卷子先花两分钟扫一遍所有题目标记出自己会做的和没把握的优先把会做的拿稳再攻克不确定的。千万别在一道题上硬磕超过15分钟。5.2 针对机器人算法岗的备考清单如果你是准备参加下一届速腾聚创秋招的在校生建议按下面这个顺序准备数据结构与算法LeetCode热题100中链表、二叉树、字符串、DP、贪心各刷30道以上KMP和排序一定要能手写机器人学系统过一遍《机器人学导论》前四章掌握DH参数、正逆运动学、雅可比矩阵Delta机器人动力学当成拓展了解ROS至少在仿真环境里跑通一次机器人自主导航理解map、odom、base_link坐标系关系学会使用tf2_echo和rviz调试感知与滤波吃透激光雷达点云滤波、地面分割、聚类算法的原理和调参经验了解卡尔曼滤波和粒子滤波的数学推导深度学习与部署了解常见的轻量化网络和TensorRT、ONNX Runtime部署流程不用精通但要知道基本套路。5.3 笔试之后的面试衔接项目经验怎么讲成加分项笔试只是一道门槛真正想拿到offer还得看面试和项目经验。投递机器人算法岗项目经验最好是完整闭环的从传感器选型到算法落地到效果评估都能讲清楚。我自己在准备面试时发现了一个重要的点不要只讲我用YOLOv5做了目标检测而要讲清楚以下层次为什么选择这个方案对比过哪些替代方案数据集怎么标注和增强模型怎么训练和部署实际跑起来遇到什么问题比如掉帧、误检、内存溢出是怎么排查解决的效果怎么量化比如精度提升了多少单帧推理耗时多少CPU占用率多少。拿基于ESP32-CAM的机器人整机这样的项目举例虽然硬件不算高级但如果能说明在这类资源受限平台上做了模型压缩和算子优化把帧率从2 FPS提到15 FPS这个项目的说服力反而比在服务器上跑大模型更强。5.4 最后再分享一个小技巧笔试结束后的几分钟趁记忆还热乎赶紧把题目和答案选项记录到手机备忘录里。不要只记题目要记你当时的犹豫点和猜测。因为进入面试之后面试官大概率会对着你笔试时的弱项提问目标就是想看看你笔试错了之后有没有复盘。如果你能主动说出当时这题选错了回去查了资料正确的是……并且答得有逻辑这个印象分会很高。我自己就是这样笔试最后一道关于ROS话题通信和点云消息类型的多选犹豫了很久出来以后认真查了livox_ros_driver2的数据发布格式面试时被问到居然主动化解了一轮追问。这些细节比多刷三十道题更能在关键时候帮你一把。