规控面试常见问题

已于 2024-08-18 09:27:59 修改
阅读量622 收藏 5
点赞数 1
分类专栏： 自动驾驶/智能控制/机器人面试C++/算法八股精选 文章标签： 算法 数据结构 c++ 自动驾驶 机器人
于 2024-07-28 21:35:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_50273713/article/details/140756493
版权

目录

一、项目中遇到的困难或者挑战是什么？

二、A*算法原理（伪代码）

三、在决策规划中常用的非线性数值优化算法

四、针对A*算法中，机器人旋转和大曲率移动代价较高，如何改进？

五、采样和优化算法有什么区别？

六、TEB算法原理

七、A*算法有什么缺点？如何改善

八、A*和Dijkstria算法本质有什么区别？

九、全局路径规划与局部路径规划本质区别是什么？

十、Hybrid A*的原理是什么？和A*相比做了哪些改进或者优化？

十一、蚁群算法和常见的搜索算法有什么不同？

十二、A*算法中openlist和closelist的作用，节点如何更新？

十三、轨迹优化是否需要初始解？作用是什么？

十四、Theta*算法原理？碰撞检测算法原理？

十五、代码题：一个机器人位于一个 m*n网格的左上角，机器人每次只能向下或者向右移动一步，机器人试图到达网格的右下角，请问有多少种不同的路径？

十六、启发式路径规划搜索算法中，启发式函数有哪些构建方法？如何设计对应的代价函数？

十七、讲一下Lattice planner 和EM planner

十八、lattice planner的代价函数的作用是什么？

十九、讲一下LQR和MPC

二十、写一个角度归一化的函数，归一化到[-PI,PI]。

二十一、讲一讲自动驾驶中的一些坐标系以及转换关系？

二十二、QP问题一定是凸优化问题吗？

二十三、车辆是如何进行执行横向或者纵向控制的，如何匹配使得车辆跟踪上目标点？

二十四、车辆动力学模型

二十五、机器人常用的决策方法？决策树、状态机、行为树？

二十六、常用的控制方法有哪些？比如PID？

二十七、协方差的定义是什么？有什么作用？

二十八、简述MPC开发过程。

二十九、讲一下Hybrid A*算法。

三十、常用的局部路径规划算法有哪些？DWA？

三十一、轨迹优化方法有哪些？

三十二、轨迹插值的中间点如何保证可行？

三十三、介绍一下优化算法的目标函数，为什么要 min jerk？

三十四、lattice planner 如何实现动态避障？

三十五、对于实际道路上动态障碍物较多的场景，可以采用什么算法进行路径规划？

三十六、TX2和机载 NX有什么应用场景，有什么区别？

三十七、最小二乘法在实际应用中会有什么问题？

三十八、想从事什么方面的岗位？讲一讲优化的一些知识，优化器等。

一、项目中遇到的困难或者挑战是什么？

二、A*算法原理（伪代码）

输入：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
规控算法技能之路径规划算法
qq_41667348的博客
10-25 2267
规控算法工程师中常见的路径规划算法原理、流程、应用场景。
SAP MM 顾问面试常见问题解析
我小时候很黑的博客
04-01 428
根据绩效评估的结果，对供应商进行分类管理，对于绩效优秀的供应商，可以给予更多的订单或者更优惠的合作条件；如果供应商频繁出现不能按时交货的情况，根据供应商管理的相关规定，对供应商进行警告、减少订单量或者将其从合格供应商列表中剔除，同时寻找新的供应商来满足企业的物料需求。首先，在创建采购订单时，要仔细核对采购申请中的物料信息，包括物料号、描述、规格等，确保从采购申请准确无误地传递到采购订单。对供应商的选择要基于合格供应商列表，并且要检查供应商主数据中的信息，如供应商的价格、交货期、付款条款等是否正确。
自动驾驶规控算法工程师面试问题
每天进步一点点。
01-05 1949
智驾或者机器人规控方向面试问题合集（持续更新中......）
干货分享 | 2023最新决策规划控制面试题汇总！
CV_Autobot的博客
05-23 1718
作者|深蓝学院 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/602319997点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【规划控制】技术交流群后台回复【规划控制综述】获取自动驾驶、智能机器人规划控制最新综述论文！最近一年，深蓝学院与60多家自动驾驶与机器人企业达成了求职招聘的合作，现整理了100余道2022...
【面试】2023届秋招自动驾驶决策规划控制岗位面试总结
qq_40145095的博客
11-06 6857
当时鉴智机器人是最早面试的几个公司之一，所以体验并非很好，不出意外在二面阶段就挂了。暴露出的问题：对基础掌握不扎实，底层不够了解，优缺点也不够了解。亿嘉和的面试非常简单，无笔试环节，仅一面就hr面了。面试官问的重点偏向编写语言知识方面，没有询问项目。科大讯飞原本报的岗位是决策规划岗位，后来被转到了智能语言方向进行面试。科大讯飞的面试相对来说还是非常简单的，单纯的询问项目和一些知识点问答。不过二面时面试官问我期望薪资多少，我当时并不知道他们能开的是多少，所以随意说了一个较高的数字，然后就没下文了。。
2024规控算法/嵌入式秋招面经（持续更新）
2301_78234743的博客
08-26 167
hc很多，建议大家早投递简历，早进流程，求海尔智家hr，想问问简历筛选标准，Java开发，俩微服务项目简历挂，同门写了个熟悉Java，投了一样的岗位，简历过了。测评一做就挂~笔试一做就挂~G了G了G了~~~~~呜呜~G了G了G了~~~~~我是不是该去当保安了，直接少走30年弯路呢。有三年以上工作经验的来，简历可以发我邮箱:**********。
2024最新规划控制面试一百问汇总！
CV_Autobot的博客
09-18 817
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取>>点击进入→自动驾驶之心【规划控制】技术交流群规划控制100问最近很多小伙伴对工业界常用的规划控制相关内容表现出较大兴趣，也向我们提出了很多问题，为了方便大家学习，自动驾驶之心在这里做好了整理，暂定100问，后面将持续更新，主要是学术界和工业界最常遇到的问题，希望能够帮助到大家！Q1 现在企业里的控制都是用什么做呢？国...
规控面试复盘
每天进步一点点。
09-03 1197
暑期面试了不少自动驾驶和机器人公司，基本都是规控岗位，整理了一些印象比较深的问题。
2024年自动驾驶规划控制面试及答案
soaring_casia的专栏
07-22 1414
A*吸取了Dijkstra 算法中的cost_so_far，为每个边长设置权值，不停的计算每个顶点到起始顶点的距离（G），以获得最短路线， 同时也汲取贪婪最佳优先搜索算法中不断向目标前进优势，并持续计算每个顶点到目标顶点的距离（Heuristic distance），以引导搜索队列不断想目标逼近，从而搜索更少的顶点，保持寻路的高效。DWA，TEB算法。通常情况下，在机器人高速运动的时候，想要得到非常连续、平滑、噪音低的运动控制，第3个约束条件是必不可少的，有的甚至还要求加速度的导数jerk都是连续的。
一、规划控制——理论体系概述
无……风的博客
05-11 2956
无人车规划控制的任务基本就是对感知到周围环境的基础上结合无人车的目的地和当前环境的位置对车辆做出正确合理的决策和控制。本文主要是对于自动驾驶规划控制学习的概述、主要介绍了规划控制系统的划分方法、规划控制中的基本组成模块，以及各个模块的主要原理、解决问题以及常见解决方法，这篇文章希望可以对想要了解、学习自动驾驶规划控制方向的同学们有一定的帮助。
万字长文解读深度学习算法在自动驾驶规控中的应用
jiuzhang_0402的博客
11-03 1808
交流群 |进“传感器群/滑板底盘群”请加微信号：xsh041388交流群 |进“汽车基础软件群”请加微信号：ckc1087备注信息：群名称+ 真实姓名、公司、岗位引言作者注：在本文的语境中，数据驱动的算法、深度学习算法、AI模型三个词表达的是同一个概念。进入文章正题之前，我们需要先简单讲清楚本文中所提到的“规控”究竟是什么。相信凡是自动驾驶行业的人，一定都知道感知、定位、决策、规划、控制这...
【有啥问啥】规划与控制算法详解：从原理到应用及未来展望
Chauvin的博客
10-03 1933
规划算法是智能体在给定环境或任务空间中，根据起始状态、目标状态及一系列约束条件，计算出一系列可行的动作或路径的算法。根据应用场景的不同，规划算法主要分为路径规划算法和轨迹规划算法。路径规划算法：关注从起始点到目标点的路径最优性或可行性，不考虑动态因素。常见算法包括Dijkstra算法、A*算法、RRT（快速随机树）及其改进版本RRT*等。轨迹规划算法：在路径规划的基础上，进一步考虑时间、速度、加速度等动态约束，生成平滑且符合动力学特性的轨迹。
“狂飙”的自动驾驶车，用了哪些规控算法？
CV_Autobot的博客
02-09 1106
视频中这辆“狂飙”的自动驾驶车，正通过MPC轨迹跟踪控制器使其沿着规划好的轨迹行驶。作者用C++实现了MPC算法，并利用ROS与自动驾驶仿真器CARLA进行联合仿真，测试了算法的有效性，并将轨迹跟踪效果可视化了。MPC全称模型预测控制(Model Predictive Control)，是机器人、自动驾驶领域常用的控制方法，比如波士顿动力的人形机器人、量产的L2+辅助驾驶车都广泛使用了MPC控制。...
动态规划相关面试算法题总结
guihunkun的博客
11-06 1379
文章目录前言算法题1. LeetCode 64 : 最小路径和2. LeetCode 53 : 最大子序和3. LeetCode 198 : 打家劫舍4. LeetCode 213 : 打家劫舍 II5. Leetcode 931 : 下降路径最小和6. LeetCode 322 : 零钱兑换7. LeetCode 62 : 不同路径8. LeetCode 面试题 08.02 : 迷路的机器人总结 前言 动态规划是编程面试中的热门话题，如果面试题是求解一个问题的最优解(通常是求最大值或者最小
快速排序优化技巧详解：提升性能的关键策略
最新发布
qq_43947876的博客
06-12 436
快速排序是高效排序算法，但原始实现存在性能瓶颈。本文探讨五种优化策略：1）随机选择基准，避免有序数组的最坏情况；2）三数取中法，选取更均衡的基准；3）小数组切换插入排序，减少递归开销；4）尾递归优化，降低栈溢出风险；5）双轴快排（如Java Arrays.sort()），通过双基准提升分区效率。每种方法附Java代码示例，显著提升算法性能，适用于实际开发场景。优化后，快速排序的时间复杂度更趋近理想O(n log n)，空间效率更高。
【DRL】最简单的策略梯度(Policy Gradient)算法
xfxuezhang.cn
06-12 98
最简策略梯度(Policy Gradient)算法的实现
【LeetCode 热题100】网格路径类 DP 系列题：不同路径 & 最小路径和（力扣62 / 64 ）（Go语言版）
小韩的博客
06-08 592
本篇介绍了网格路径类动态规划问题，涵盖 LeetCode 第 62 题“不同路径”和第 64 题“最小路径和”。通过定义状态 `dp[i][j]` 和转移方程，分别解决路径计数与最小代价问题。两题均支持一维数组优化空间复杂度。总结对比了两题的异同，并延伸至带障碍路径、三角形路径等问题，帮助读者掌握网格 DP 的核心思路：明确状态、写出转移、找准边界。
【算法笔记】树套树
fans2306的博客
06-08 1060
在面对二维区间统计问题查询某个一维区间中，大于某个值的数的个数对一个序列同时支持区间查询 + 单点修改我们常用的一维数据结构（如线段树、树状数组）往往显得力不从心。树套树。“树套树”顾名思义，就是一棵树中的每个节点再套一棵树。外层：线段树/树状数组，按照下标维护区间内层：平衡树（如 STLmultiset或手写）维护该区间内的值集合单点修改某个值查询区间中小于/大于某值的数的个数查询区间第kkk小数值（需平衡树）
【2025CVPR】模型融合新范式：PLeaS算法详解（基于排列与最小二乘的模型合并技术）
hasakie的博客
06-08 134
本文深入解析ICLR 2025顶会论文《PLeaS: Merging Models with Permutations and Least Squares》，揭示模型融合领域突破性进展.随着开源模型的爆发式增长，如何高效合并多个专用模型成为关键挑战。传统方法存在三大痛点：而PLeaS创新性地解决了这些难题，实现：PLeaS（Permutations and Least Squares）包含两个核心阶段： 数学本质​： minPi​∈Sdi​​​∥ZiA​−Pi​ZiB​∥F2​ 其中ZiA​,ZiB​是
ros2 C++规控面试
03-19
### ROS2 中 C++ 规划与控制的相关面试知识点 #### 1. **ROS2 的基本概念** ROS2 是新一代的机器人操作系统，相较于 ROS1 提供了更强的实时性和分布式能力。其核心架构基于 DDS (Data Distribution Service)，能够支持多节点间的高效通信[^2]。 #### 2. **C++ 编程基础在 ROS2 中的应用** 在 ROS2 中，C++ 被广泛用于开发高性能的节点和服务。以下是几个重要的 C++ 技术点及其在 ROS2 中的作用： - **智能指针** ROS2 使用 `std::shared_ptr` 和 `std::unique_ptr` 来管理对象生命周期。例如，在创建节点时会返回一个 `std::shared_ptr<rclcpp::Node>` 对象[^4]。 - **回调函数的设计模式** 在 ROS2 中，消息处理通常通过回调函数实现。这些回调可以绑定到成员函数上，利用 C++ 的 lambda 表达式简化代码逻辑。 - **线程安全设计** ROS2 支持多线程执行模型（如 SingleThreadedExecutor 和 MultiThreadedExecutor），开发者需要熟悉如何在多线程环境下保护共享资源。 #### 3. **规划算法的基础知识** 路径规划是机器人控制系统中的重要部分，常见的规划方法包括 A*、Dijkstra 和 RRT 等。在 ROS2 中，可以通过以下方式实现路径规划： - **导航堆栈 Nav2** Nav2 是 ROS2 官方推荐的导航框架，提供了全局和局部路径规划的功能。它依赖于代价地图（Costmap）来表示环境，并使用插件化的方式加载不同的规划器。 - **自定义规划器** 如果项目需求超出 Nav2 的范围，则可能需要自行实现规划器。这涉及计算几何学的知识以及对优化算法的理解。 #### 4. **控制器设计** 控制器负责将规划的结果转化为具体的运动指令。常用的控制策略有 PID 控制、LQR 控制等。在 ROS2 中实现控制器需要注意以下几个方面： - **话题发布机制** 控制命令一般通过 ROS2 主题发送给底层硬件接口。例如，速度命令可以用 Twist 类型的消息传递。 ```cpp #include "geometry_msgs/msg/twist.hpp" #include "rclcpp/rclcpp.hpp" void publishVelocity() { auto node = rclcpp::Node::make_shared("velocity_publisher"); auto publisher = node->create_publisher<geometry_msgs::msg::Twist>("cmd_vel", 10); geometry_msgs::msg::Twist msg; msg.linear.x = 0.5; // 设置前进速度 msg.angular.z = 0.2; // 设置旋转角速度 publisher->publish(msg); // 发布消息 } ``` - **服务调用** 某些复杂的操作可通过服务请求完成，比如启动或停止某个动作序列。 ```cpp #include "example_interfaces/srv/add_two_ints.hpp" #include "rclcpp/rclcpp.hpp" bool callService(int a, int b) { auto client = rclcpp::Node::make_shared("service_client")->create_client<example_interfaces::srv::AddTwoInts>("add_two_ints"); while (!client->wait_for_service(std::chrono::seconds(1))) {} auto request = std::make_shared<example_interfaces::srv::AddTwoInts::Request>(); request->a = a; request->b = b; auto future_result = client->async_send_request(request); if(rclcpp::spin_until_future_complete(node_, future_result) == rclcpp::FutureReturnCode::SUCCESS){ return true; } return false; } ``` #### 5. **传感器数据处理** IMU 数据的采集与解析是一个典型场景。下面展示了一个简单的 IMU 数据读取示例[^3]： ```cpp #include "sensor_msgs/msg/imu.hpp" #include "rclcpp/rclcpp.hpp" class ImuSubscriber : public rclcpp::Node { public: explicit ImuSubscriber(const std::string& topic_name): Node("imu_subscriber") { subscription_ = this->create_subscription<sensor_msgs::msg::Imu>( topic_name, 10, std::bind(&ImuSubscriber::callback, this, _1)); } private: void callback(const sensor_msgs::msg::Imu::SharedPtr msg) const { RCLCPP_INFO(this->get_logger(), "Received IMU data: Orientation X=%.2f Y=%.2f Z=%.2f W=%.2f", msg->orientation.x, msg->orientation.y, msg->orientation.z, msg->orientation.w); } rclcpp::Subscription<sensor_msgs::msg::Imu>::SharedPtr subscription_; }; int main(int argc, char *argv[]) { rclcpp::init(argc, argv); rclcpp::spin(std::make_shared<ImuSubscriber>("/imu/data")); rclcpp::shutdown(); return 0; } ``` --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值