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D，D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UNet，mIoU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。
