吳：吳偉老師（極智嘉）

李：李相根老師（雲鯨智慧）

高：高翔老師（智行者）

問題1：對移動機器人和無人駕駛領域未來5年的看法，以及企業近幾年的發展狀況？

吳：

僅代表個人看法，我13年加入騰訊，在14和15年做了騰訊的第一代無人車，個人感覺很難落地。

2、問題2：企業招聘時著重考察面試者哪方面的知識儲備或能力？又忌諱哪些？

吳：

1.面試者的態度，比如軟體演算法開發工程師的筆試能力，刷題準備程度。學生本科的GPA，以及相關的成績（偏數學、電腦相關課程相關的成績）；

2.研究生階段的企業實習（至少有兩到三個月的實習）以及跟導師的研究、課題；

3.電腦相關知識的背景（數據結構、編譯原理、作業系統等）。演算法和程式碼開發能力都需要兼得，在企業這兩種能力分不開。

個人看重開發能力，根據paper的演算法復現能力。為人正直，實話實說。

李：

我們有一個理念：有好的基礎的素質比是否具備具體的技術技能更重要。

1.崗位相關的基本常識和技能，包括演算法的基礎，電腦的基礎，數學基礎，開發的基礎，程式碼的實操；

2.是否對自己做的事情有比較清楚的了解及比較深入的研究；

3.是否具有一個積極主動思考解決問題的習慣。

忌諱：浮於表面，不求甚解，被動思考。

高：

1.對自己的專業知識有比較深入的了解；

2.有一定的程式碼開發能力，有程式碼的實操能力。

忌諱對什麼都知道一些，只知道一些概念的人。

小編總結

問題3：演算法層面包含感知、定位、決策規劃以及控制等幾大核心模組，企業對從業者/求職者的要求是面面俱到？還是專註其一即可？

吳：

不同企業對不同領域是不同的側重是不一樣的，比如倉儲機器人主要是在決策規劃和控制這一塊。後面可能對感知會提高一些。

很難面面俱到，對於社招應聘者而言，希望能在自己的領域內專註，一直都在這類的專業領域深入。

公司會希望多面手，對於自己的上下游也要有粗淺的了解，一專多廣。需要工程師解決問題處理問題的能力，可能都是不是自己專業領域的。

李：

大一些的公司往往希望工程師在一個點上相對深入，其他方面有所了解。大公司需要專業化，分工明確，在自己的負責的部分需要比較深入，了解其他方面對自己的工作也很有幫助。

高：

基本不需要面面俱到的人，也不可能。移動機器人主要分為感知、定位和地圖、決策與控制。例如掃地機器人應該側重定位的問題，規劃和控制比較簡單。只需要在自己的領域深入。

小編總結

問題4：企業如何看待演算法工程師的學歷背景？對於學歷背景一般的求職者該如何提升自己的競爭力？

吳：

實事求是，希望候選人的背景好一點，背景不好的面試者也是有機會。有以下幾個點：首先是做筆試題，100分的滿分要超過50分；

第二點，做題的時間，少於45min並分數低於50分則不考慮，需要真正有乾貨有實力的，筆試能力就是最好的證明。建議大家找工作多刷一刷題。

競爭力上，建議大家學習階段，多出去實習，建議實習時長不少於3個月。

李：

企業關注的是解決企業問題的能力。不過一般學歷背景好的人，鍛煉機會會多一些，所以解決問題的能力會強一些。

學歷不是絕對的，背景學歷不好的同學證明自己解決問題的能力很強也OK。

在學校的時候可以對自己領域多深入了解，有哪些分支，研究的前沿，找機會實習，多解決一些實際的問題，落地一些方法。

工作時，可以開發出長時間穩定工作的軟體。這些能力都可以作為脫穎而出的條件。

高：

我不是很看重學歷背景，但對於一些大公司學歷背景簡歷是篩選人的第一步，一目了然。這些都不是唯一的，學歷不好也是很正常

。自己的能力可以用其他的方式展現出來，比如說發了比較好的Paper、做了比較好的成果，程式碼能力很強，這些可以用一些形式展現出來證明自己的能力，比如說開源程式碼的形式。

當然刷題能力也是一種，雖然我沒有刷過題。學歷背景好能得到多一些機會，但總體來說企業不是很強調學歷背景，關鍵還是解決問題的能力，注重能力強的人。

小編總結

問題5：機器人及無人駕駛領域真實人才供需狀況如何？是否存在內卷問題？

吳：

人才很缺。整個行業的人才池子就這麼大，大家一些技術都是相通的，優秀的人才很難招到，都是要搶。對於企業關鍵的領域，大家都會花大價錢去砸招人才。

李：

早些年，這個領域比較寬鬆，公司比較多，崗位也很多，對普通工程師來說，大家找工作都比較容易一些。

但最近由於機器人行業的落地要求提升和疫情的影響倒閉了一批公司，崗位相對來說會少一些，導致現留存的公司對求職者的要求更高，希望可以篩選出面對實際問題，coding，解決問題，並且落地的優秀人才。

而這些人才在社招簡歷池中通常很少。

高：

重質不重量。

像自動駕駛這個領域，問題都比較難。不是說找一大堆人來解決就有用，通常招10個人，可能就一個人能解決問題，其他人就天天在開會。

像我了解的，一些專業實驗室的畢業生都是畢業不愁找工作，基本上就是畢業就被人挖走了，沒什麼就業壓力。

建議大家就是在校的時候，多提升一下自己的能力。比較重要。高品質人才在簡歷池基本找不到，對高品質人才比較缺。

小編總結

問題6：對在校者有何學習建議？對初入職場的工程師有哪些「少走彎路」的成長經驗分享？

吳：

一些經典的東西，之所以經典是承受得住時間的考驗的。比如說PID，建議大家對一些經典的東西有一些深層次的了解。對於經典的基礎的東西，應該足夠的重視，實際的做一做。

對在校生，重複造輪子是很有必要的，在這個過程中鍛煉自己的能力。

李：

對在校生來說，就是要打好基礎，對一些概念要有深層次的理解。一個有效的方法就是，多coding、多做論文復現，多「造輪子」，把經典演算法實現出來。

對工程師來說，第一是好奇心，做事情有好奇心會學習到新知識新技能；

第二是樂觀，遇到問題要保持樂觀，相信事情會變得越來越好；

第三是，肯做臟活，腳踏實地，做出一些切實有效的工作。

高：

主要面向在校同學。在自動駕駛領域，建議本科生至少還是要讀研，本科生的天花板比較低。

如果要讀PHD，要看導師和團隊好不好，不要導師也不是搞這個的，實驗室就一兩個人做，這會比較難受。

讀PHD，要找相關的實驗室，最好到國外去讀，國外在這個行業還是領先不少。自身的硬實力要注重一些，paper發了一篇是一篇，書寫了一本是一本，coding能力開源了一個是一個。

寫程式碼的能力要與時俱進，跟上時代。

能去公司實現一定要去公司實習，一些問題和方法不能再學校遇到；比如說開發測試集成的流程，程式碼規範能力等等。

1、目前在做掃地機器人的規劃和決策，覺得掃地機器人的規劃和邏輯決策都比較簡單基礎，建議應該怎樣進一步學習路徑規劃和決策，未來能去應聘什麼樣的公司？

李：

深藍學院有一個高飛老師講的規劃課程可以聽一下，提升一下自己的理論素養。在實際中，遇到問題，如果自己都不知道有哪些高級的演算法，肯定不知道用什麼高級演算法來解決。

找公司，建議找一些對演算法性能有追求的公司，大部分的公司都不知道演算法的好壞，只要項目干出來就好了。建議可以找一些實習，多設置一些場景來測試實際的演算法，把理論上的東西串起來。

2、SLAM能敲多久的程式碼，35歲以後能不能幹下去？

高：

35歲這個情況，在我們國家是比較特殊，因為我們國家的電腦起步比較晚，現在從事這個行業的人都十分年輕，所以看起來有35歲這個瓶頸。

歐洲那邊我有看到有很老的博士都還在碼程式碼，可能過幾年我們國家也是碼程式碼能幹到40歲50歲。

像我們搞自動駕駛SLAM方向，現在在解決一類問題，也需要不斷的學習，可能這個問題解決了，不需要我們了，我們就繼續這個行業的新問題，總之還在這個行業里，就是這樣。

李：

我職業生涯的開始是做SLAM，後來逐漸擴大了自己的工作範圍，負責整個機器人的軟體和演算法。以下是我的一些看法：

1.首先企業家看的一定是一個人的價值而不是年齡。

2.工作裡面可以分為較深的領域和較淺的領域。在較淺領域裡面把問題解決好，公司積累了完善的解決方案，可能就會把這部分人調配至更具有價值的工作裡面去。

所以我們不斷地去擴展自己的工作、學習新內容、不斷地投身到能創造新價值的地方來為公司帶來價值和利益，這樣就可以一直把技術做下去。在雲鯨，我們也會挖掘35歲至40歲的優秀人才。所以35歲之後能否繼續做下去，關鍵的點就是能不能不斷的為公司乃至社會創造新的價值。

吳：

年齡增大確實會存在一些問題，加班和學習能力上確實比不上年輕人。但是經驗和看問題的本質，對架構的看法還是有經驗的。

3、秋招找了開發，但之後還想找移動機器人方面，老師有什麼建議？

李：

這個其實看自身選擇。你可以放棄這個工作，重新找一個工作；你也可以先工作一段時間看適不適合自己，不合適的話可以放棄重新選擇。

吳：

我比較看重一個工作的連續性，比如做cv的我3、5年都是做這個的，換工作也是這個。

4、請問高：博士，最近SLAM融合研究的最新方向，讀PHD哪個方向更值得研究？

高：

之前寫SLAM14講是15、16年，給了2個比較大的方向。一個是VIO方向，後面幾年確實也很多人再做；

一個是語義的建圖和語義的SLAM，這塊這幾年做的人也很多，也處於一個沒有解決的狀態；工業界這邊，最好根據工業界的需求來做SLAM或者重建；目前的主要一個阻止落地的問題是不能夠構造一個反覆可以一直用的地圖，建完一張圖之後，定位什麼的可以一直用。

目前大家都在場景中放置一些標誌物等來確定，其實現實場景中是沒有的，這是沒有解決的問題。

未來大家有可能用一些Deep learning的手段來識別特徵，對一些特定領域可能是好用的，比如自動駕駛領域有車道線路邊等特徵可以提取，然後做一個匹配，這個也不是很成熟，還在做。

如何在一些更加常見的場景，比如一個沒有任何特意標定的東西，我們可以建圖然後長時間用來做定位，這個當前學界和工業界都在關心的問題。再多的話，就是和新的感測器有關了，不同的感測器資訊融合在一起，做的SLAM比較好。

6、深度學習是機器人領域的基本要求嗎？我每次看到這個領域的招聘都會看到有深度學習的要求。

李：

這個比較有意思，在移動機器人領域，深度學習在應用落地上是比較前沿的東西，因為要落地要給他配置對應的算力，當前算力成本比較高。

我們做的比較高端的拖掃一體機器人，售價是4000多塊，給算力的預算有限，在一個算力不強的平台上做深度學習會比較有挑戰。

最近幾年也有一些對算力要求比較低的演算法出來，所以逐漸也有深度學習應用落地的工作出來。總的來說，深度學習還不是基本的要求，可能未來是。

7、無人車感知模組還存在什麼問題？或者在您的公司感知崗位都在處理哪些問題？我該如何培養這方面匹配公司的實際問題。

高：

在城用車，其實感知是最大的一塊最困難的一塊，不過決策也很難。

因為很難保證這個感知是對的，很大的問題都是出在感知上，比如說有個車經過我沒有檢測到。這個我看還沒有本質上的解決方法，大家現在就是拼一下自己的數據集和算力，提高一點正確率。

現階段，感知大部分工作還在迭代模型和迭代數據這樣，可能在公司上還有管理上的，比如很多人在標定數據，需要檢查正不正確。

也有一些公司在做感知訓練的專業處理晶片，可以用來加速計算；這個感知的問題，是世界難題，應該這幾年沒那麼快能解決。

8、掃地機和AGV行業，雷射SLAM和視覺SLAM那個用得更多，在學校應該學習那個？

吳：

在AGV這個行業，目前來看，雷射SLAM用得多一些，雷射的穩定性和魯棒性會好一些，在室內由於高度有限也限制了視覺SLAM的使用，看到的絕大部分是地面；

視覺SLAM也不是在AGV上使用，也可以用做一個視覺上的重定位工作。比如說機器人的初始化，獲取資訊等可以應用落地的，這也是我們目前在做的東西。

李：

其實目前掃地機來說，雷射SLAM會用得多一些。一是雷射是主動發光的設備，不受光照的影響，長時間地圖的維護有優勢（不用考慮光照的變化）二而是雷射可以提供一個比較密的與機器人同平面的障礙物資訊，可以讓路徑規劃更智慧一點。

在學校應該學哪個：其實這兩個底層的知識都差不多，背後都是一些優化和幾何的技術，學哪個都可以，都是比較相通的。

9、請問海外博士回國招聘，秋招錯過了，秋招和春招？

李：

其實公司都是長期招聘且缺人的，可以直接向心儀公司投遞簡歷，或者走內推。

10、請問車輛工程出身的做規劃和控制的PHD，第一份工作是做主機廠、初創還是供應商合適呢？

高：

當然也可以把華為、百度這類互聯網大公司也列入選擇，也都有自動駕駛相關崗位，中國自動駕駛百度比較領先，主機廠現在還是在拉團隊的一些階段，初創的話有些初創前面的公司。

這還是大公司和小公司的問題。大公司程式碼流程規範化還是做得很好的，這在推進任務和項目上比較有用，很多人程式碼都是在大公司練出來的。初創的話就是事情可以更快得推動起來，人比較少，做事情會比較順利一些。

就個人而言，做事情去初創公司會更加順利一些，大公司會鍛煉程式碼規範能力但也還有一些其他限制。這都是看自己的選擇。聽別人的意見，最終自己拍板決定。

11、 機器人演算法工程師對能力的要求相對於一般大廠開發工程師來說，要明顯的高（包含演算法、開發），然而待遇並沒有更高，這種「性價比」的小落差， 是不是目前機器人人才供應不足的一個原因呢？

吳：

作為應屆的小白不應該過度關注「性價比」的問題，最重要的是選擇一個行業，選擇一個領域，選擇自己喜歡的賽道，然後對自己有高品質空間的一個機會，對於剛入職的小白不要計較太多。

李：

職業生涯初期不應太注重錢，而是去看一個行業的未來發展。對於機器人演算法工程師能力要求更高，同時待遇普通只存在於部分公司，比如我們公司不存在這種情況。

12、SLAM方向自動駕駛和AR應該選擇哪一行業更好？

高：

短期來看，AR的落地概率更大一些，不管是什麼載體，短影片或者手機端的應用都會有人來做，手機端的短影片以及特效的一些應用看起來比較容易落地，而且對於VSLAM是強需求，自動駕駛這種比較難說，路線也比較多，如L2級別、L4級別等現在看起來是一條比較困難的路，關於前景眾說紛紜，個人認為低速車轉高速車是一條比較好的路。而且認為做車會比短影片有意思一些。看個人選擇。

13、ROS在機器人市場的情況？

吳：

投入到ROS還是值得的，但是還是要看到ROS現在存在的一些問題。ROS2現在就是針對這些問題。ROS搞通，然後關注ROS2的進展這是我的建議。

14、SLAM方向公司需要能解決什麼問題人才？

李：

可以從SLAM正面臨的問題入手，如前面高博所說，在地圖上能夠有一些語義的資訊，方便後面更好的決策和規劃，對於這些unsolved問題有一個了解，對於基礎薄弱的能夠夯實基礎，或者能夠在這些方面做出一些工作。

做這些工作都是對企業的充分證明自己水平的東西哪怕不是這個企業目前需要的，能力到了會有更多選擇。

15、請問處於Deep Learning的崗位，如何轉SLAM方向行業，沒有系統學過相關知識。

李：