Robosense 机器人算法一面：项目、点云拷打与手撕

《面试题目》

1. 自我介绍与项目介绍（第一位面试官，主要是简单询问项目）。
2. 手撕：力扣算法题一道，限时手写并现场调试。
3. 有没有具身智能与灵巧手相关的经验？
4. 点云处理相关的细节追问。
5. 算法细节深挖（多个方向，问得比常规面经更细）。

《参考解析》

手撕放在最前面时，策略是「先讲清楚再动笔」，别把时间全花在调试上。 开场先跟面试官确认输入输出、数据范围与边界（空输入、重复元素、越界），把主流程和复杂度讲一句再写，写的时候边写边说思路。卡住时最值钱的动作是主动说出当前思路与卡点换取提示——面试官通常愿意给方向，但要的是看到你的推理过程；自己闷头改代码、超时后还没 AC，才是真正的失分点。平时训练可以把「中等难度 20 分钟内一次写对」当硬指标，并刻意练口头讲解法。

点云处理是这个岗位的日常，问法几乎都从预处理和配准开始。 机械式激光雷达一帧内的点并不是同一时刻采集的，所以第一步常是去畸变（用时间戳与运动做 undistortion，否则快速运动时地图会拖影）；随后是滤波与降采样（体素网格降采样、统计离群点去除）、地面分割（栅格高度差或 RANSAC 平面拟合）、配准（ICP 及其变体 point-to-plane、GICP，或 NDT；对应点搜索用 KD-Tree，初值靠 IMU 与轮式里程计，外点用鲁棒核或 trimming 策略）、特征描述（FPFH 这类手工特征，或 PointNet 系列学习特征）、以及动态点与非结构化噪声的处理。答的时候一定要带上下文数字：点云密度、单帧点数、传感器型号、实时性预算是多少毫秒——面试官会顺着算力预算继续追问，能报出数字说明真的做过。

具身与灵巧手方向没做过不要硬编，讲相邻经验加学习路径更安全。 做过的话会被追问仿真的接触建模（MuJoCo / Isaac 的接触参数与摩擦模型）、Sim2Real 的域随机化、动作空间的选择（关节位置、速度、力矩，还是笛卡尔空间）、示教数据与模仿学习（ACT、Diffusion Policy 这类方法的取舍）、以及灵巧手的高维动作与触觉反馈怎么用。没做过就诚实说没做过，然后讲清楚相邻的积累（抓取检测、位姿估计、手眼标定、力控）和会怎么补，比编一个听起来合理但经不起追问的方案要安全得多。

被追问「没准备过的细节」时，用固定结构把话接住。 结构是「它是什么 — 为什么这么设计 — 代价是什么 — 我会怎么验证」。比如被问到某种配准算法的退化处理，即便不知道具体工程参数，也可以说清用信息矩阵的特征值判断哪个自由度不可观测、退化方向用别的传感器约束、以及怎么用一段已知轨迹的数据验证处理前后是否改善。完全不知道的直接说不知道，并补一句「我会先查什么、用什么数据验证」，比含糊绕过去更容易被接受。

复盘这类凉经，最有效的动作是把「时间分配」和「项目弹药」分开修。 手撕占用过多时间会直接压缩项目讲解窗口，导致后面的算法细节题没有展示机会；同时项目里最容易被追问的技术点应该提前写成两个版本——1 分钟的结论版和 5 分钟的细节版（数据规模、处理链路、踩过的坑、指标改善）。机器人算法岗的面试官关注点云这类底层细节，本质是因为日常工作就是在杂乱的实车数据上做工程，准备时优先挑一个自己能讲透的真实案例，比广撒网背八股更划算。