某头部具身初创导航 SLAM 一面：项目与论文深挖

《面试题目》

1. 自我介绍（按 PPT 讲）。
2. 项目拷打。
3. 论文拷打。
4. 挑自己真正做过的部分讲。

《参考解析》

按 PPT 自我介绍，要把时间花在「可被追问的钩子」上。 算法岗的自我介绍不是念简历，面试官的注意力只在你给出的钩子上：一段项目做到什么指标、一篇论文解决了什么前人没解决的问题。建议控制在三到五分钟，顺序按岗位相关度排（最相关的放前面，不相关的一笔带过），每讲完一块主动交代边界——哪些是你独立完成的、哪些是团队协作、哪些是复用已有框架。这位面试官最后直接要求「挑自己真正做过的部分讲」，说明前面的叙述里贡献边界不够清楚；与其被追问到当场划清，不如自我介绍里就划清。另外别用面试当天现做的 PPT，这是最容易翻车的一环：模板要提前定，图示（系统框图、数据流、时序）比文字更值得打磨，因为面试官的追问几乎都落在图上。

贡献度质疑是必答题，答法是给证据链而不是辩解。 被质疑「这项目真的是你做的吗」时，有效的回应只有可验证的东西：你负责的模块代码在仓库里的位置与提交记录、你拍板过的技术决策及当时的取舍理由、你亲手复现或修复过的 bug、你能随手画出的接口契约与数据流。可以按「我做的那一块 → 我为什么这么选 → 出过什么问题 → 怎么定位和解决 → 结果怎么衡量」讲一条闭环，这条闭环是伪造不出来的。答不上来的部分要明确说「这部分是同事做的，我只了解接口」，坦白的成本远低于硬撑后被连续追问击穿。面试官往往会用一个细节问题验证：让你讲某个参数为什么取这个值、某个异常场景怎么处理——提前把项目里三个最细的技术点想透，比把项目全部功能背一遍有用。

论文拷打要按审稿人的方式准备。 常见追问方向固定：动机（前人方法在什么场景下失效、你的假设是什么）、方法（关键公式的物理含义、为什么这样建模、计算复杂度）、实验（baseline 选择是否公平、数据集的规模与来源、有没有消融、指标口径与显著性）、局限（什么情况下会退化、和工业落地的差距）。答的时候要主动给出失败案例，那是可信度的来源；对自己论文的公式要能当场推导关键一步，不能只停留在「调包跑通」。如果论文和岗位方向不完全一致，要把可迁移的部分挑出来讲——优化框架、几何建模、状态估计、工程实现能力，这些是跨方向被认可的硬通货。

SLAM／导航方向的纵深问题一般会落在几处固定要害。 前端与数据关联（特征法还是直接法、光流与描述子、外点剔除）、后端优化（滑动窗口与边缘化、信息矩阵与 FEJ、IMU 预积分与零偏估计、回环检测与位姿图优化）、传感器融合与标定（相机-IMU 在线标定、时间同步、外参退化）、评测与工程（ATE／RPE 指标口径、数据集与真实场景的域差、实时性与算力约束、弱纹理或快速旋转等退化场景的兜底）。被问到哪一处都要能说出「为什么这样设计」和「代价是什么」，只讲流程不讲取舍会被判定为做过但没吃透。

这场凉经的复盘价值在于准备顺序。 第一场面试用最想去的团队练手，本身就是高成本选择；更稳的做法是先拿匹配度稍低的岗位把自我介绍、项目讲解、论文问答各跑一遍，把卡壳的地方补上，再投目标团队。临时做的 PPT、没梳理的实习项目、当天才开始的紧张，三者叠加会让面试官看到的状态远低于真实水平；反过来，只要提前做过一遍完整彩排（对着计时器讲一遍，录下来回看），现场表现就能拉开明显差距。