卓驭 嵌入式中间件实习 面经

准备面试时，我把常见的系统设计题丢给AI，让它先给我一个答案框架，我再自己补充细节。星了一个“interview-copilot”的项目，里面有很多和AI对练的prompt模板。比一个人闷头背八股文效率高。

面试体验差的公司实际上数不胜数，无非是面试官不尊重人，问了一堆八股结果与项目不匹配秒拒，面试流程繁琐且多......但是遇到一个面试体验好的公司真的十分十分难得，最好的一次只能是我目前入职的这家公司。正常公司一定会问问很多很多八股，讲讲自己的项目，写写算法题，枯燥而乏味，对自己没有一点提升，完全体验不出自己的工作能力。但是我面试的这家丝毫没有问一道八股，没有问我自己写的垃圾项目（可能是因为我是工作经验少且项目普普通通的缘故吧），而是问到了给了一道 goroutine coding题和如何压测，怎么并且支持在线 Google（当时AI并不成熟，现在可能允许使用 Claude/Cursor 这种成熟的 AI tools 吧），并且只有一面（hr和技术一起），上来hr就介绍自己公司的福利，好感直接拉满。回过头来看，只能发出「原来这就是外企吧」

继续来分享下最近的面经~欢迎友好讨论，信息共享1.项目拷打2.实习拷打3.ai coding的使用情况，具体应用案例介绍4.ai coding的使用经验、技巧5.如何对ai编程的稳定性进行约束，介绍相关的主流范式6.聊聊ai对开发者职责的影响、变化

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