2026银河通用机器人具身智能感知算法实习面试

DDPM 和 DDIM 的区别是什么？ 第一步：前置小知识（重参数化技巧） 在扩散模型中，我们最常用到一个技巧：如果你有一个符合正态分布的变量 （均值为 ，方差为 ），我们可以把它拆成：  这里的  是一个标准正态分布的纯噪声 。 直白点说： 任意状态 = 确定的基础值 + (随机噪声  噪声强度)。记住这个公式，它是贯穿整个推导的灵魂。 第二步：DDPM 的基础设定（从头到尾加噪） 在原来的 DDPM（去噪扩散概率模型）中，我们有一个清晰的正向加噪过程。 假设我们有一张清晰的图像（或者机器人的一个完美动作），叫做 。我们在它上面不断加噪声，加到第  步时，它变成了 。 DDPM 证明了一个极...

一、面试现场最常让手写的代码（高频必背）1. 路径/轨迹规划基础- A* 或 JPS 伪代码（C++/Python）- RRT / RRT* 极简实现（必考）- 栅格地图路径搜索、碰撞检测逻辑2. 机器人运动学（必问）- 多自由度机械臂正运动学（DH + 齐次变换）- 数值逆运动学（阻尼最小二乘 DLS）- 雅可比矩阵计算、奇异值判断- 自碰撞检测逻辑（面向人形/双足/多关节）3. 最优化基础（岗位核心：姿态最优）- 简单二次规划 QP 伪代码- 梯度下降 / 牛顿法求解姿态最优目标函数- 带约束优化（关节限位、避障、姿态平滑）4. 基础避障算法- 人工势场法（APF）- 动态窗口法 DWA 思路 + 伪代码- 基于距离场的碰撞规避逻辑5. 轨迹平滑- 五次多项式轨迹插值- B 样条 / 贝塞尔曲线- 最小 jerk / 最小加速度轨迹优化二、岗位核心专项：全身规划 & 通过性（重点准备）1. 全身运动规划（Whole-Body Planning）- 基于 QP 的全身控制伪代码- 浮动基机器人动力学简化（能讲+能写公式代码）- 重心优化、零力矩点 ZMP 简化计算2. 通过性（Passability / Navigability）- 地形评估、可达区域判断- 姿态自适应调整代码逻辑（爬坡、越障、台阶）- 多约束下姿态最优求解流程3. 姿态最优求解- 目标函数：能耗最小、姿态平滑、重心最低- 约束：关节限、碰撞限、视野/任务约束- 调用 OSQP / NLOPT / IPOPT 等求解器的代码模板三、Learning-Based 规划（加分但必准备）面试官不问代码也会问思路，最好能写极简示例- 简单强化学习：DQN/PPO 极简网络结构- 模仿学习：行为克隆（BC）极简训练+推理代码- 学习预测：简单 LSTM/Transformer 状态预测伪代码四、工程化 & 框架能力（面试官非常看重）1. 规划框架设计（C++）- 规划器基类 + 派生结构（AStar/RRT/MPC）- 线程安全、数据队列、回调机制- 模块解耦：感知→地图→规划→控制2. 仿真相关代码- MuJoCo / Gazebo 环境交互- 机器人状态读取、轨迹下发、碰撞回调- 批量测试、自动化评估脚本（Python）3. 常用开源库使用（必须会写调用代码）- OMPL 规划器调用- NLOPT / OSQP / qpOASES 求解器- Pinocchio / KDL 运动学动力学- Eigen 矩阵运算、SVD、雅可比五、如果时间紧，优先准备这 8 套代码1. RRT*（必背）2. 数值逆运动学（DLS）3. 雅可比与冗余机器人零空间优化4. 五次多项式轨迹5. 简单 QP 姿态最优求解6. A* 路径规划7. 全身规划优化伪代码8. 学习型规划（BC/PPO）极简示例银河通用目前有需求，招算法职位，地点北京和深圳，有兴趣接触可以私聊

面试官背景为 NTU 博士、传统控制出身，问询极细，按项目维度拆解如下： 1. 强化学习规划项目  数据获取： 仿真数据集是如何获得的？ 算法鲁棒性： 是否会出现陷入局部最优的情况（如死胡同无法脱困）？ 仿真建模： Gazebo 仿真中为什么要选择使用差动模型（Differential Model）？  2. VLN（视觉语言导航）项目  技术实现： 三维重映射（3D Remapping）的具体实现方案。 性能评估： 实际运行效果如何？ 实机部署： 模型是否支持在真实机器人硬件上运行？如果可以，推理/运行速度表现如何？  3. 机器人操作项目  全身控制（WBC）： WBC 具体实现了哪些任务...