速腾聚创算法岗笔试复盘：KMP、粒子群与ROS2高频考点全解析

2023年速腾聚创秋招机器人算法岗的笔试我是在一个周六上午完成的。说实话考前我对这家公司的认知还停留在“做激光雷达的”等真正做完这套题才发现它考察的远不止“雷达点云怎么处理”而是把机器人算法岗需要的几块核心能力——C/Python基础、经典算法、ROS工程能力、控制与感知基础——相当均匀地铺在了卷面上。整套题做下来接近三个小时题量不小既有纯手撕代码也有概念简答还有结合他们业务场景的开放题。这篇文章我会把整场笔试的考察范围、每类题型的应对思路、以及我踩过的坑完整复盘一遍如果你是准备投递速腾聚创或者类似激光雷达/机器人公司的算法岗这份笔记应该能帮你省不少时间。1. 整体考点布局与出题思路先从公司业务反推笔试重点1.1 速腾聚创的雷达基因决定了笔试风格速腾聚创的核心产品是MEMS半固态激光雷达和补盲激光雷达在车载ADAS和机器人感知两个方向都有落地。这意味着他们的算法岗位不像纯互联网大厂那样只考LeetCode而是会明显偏向“空间感知”和“机器人工程落地”。从笔试题目就能看出这种倾向字符串和基础数据结构仍然有但占比没想象中那么高反而是一些和状态估计、路径规划、目标检测相关的算法题出现了不少比如粒子群算法原理、delta机器人动力学方程、ROS2导航框架这类题目。这说明公司希望招进来的人不只是一个“刷题机器”而是能直接参与雷达驱动、点云处理、标定融合这些实际工作的工程师。1.2 考点分布与时间分配建议我根据回忆整理了一套大致的考点分布和推荐用时仅供参考。不同批次笔试可能会有调整但整体比例应该接近考点板块大致占比主要题型推荐用时算法与数据结构KMP、排序、堆、贪心等30%单选、手撕代码50分钟机器人基础ROS、导航、运动学/动力学25%简答、填空、场景题40分钟感知与控制PID、视觉引导、标定20%简答、计算30分钟进阶算法与工程题粒子群、模拟退火、RETE等15%选择、问答25分钟综合开放题业务场景设计10%简答/描述20分钟这套时间分配是我事后复盘得出的最优解。我当时在KMP的next数组那道题上纠结太久导致后面的开放题写得比较赶这是一次比较典型的失误。建议拿到卷子先把所有题目扫一遍优先做有把握的题把时间留给能拿分的部分。2. 高频考点逐个拆解从KMP到粒子群题目背后在考什么2.1 字符串与模式匹配KMP的next数组到底怎么算热搜词里有一个非常经典的笔试题“对于模式串 pabacaba其 next 数组(next[i] 定义为...”。这道题大概率就是原题或者原题的变体。很多人在KMP上翻车不是因为不理解匹配过程而是因为没有约定好next数组的下标定义。不同教材里next[0]是-1还是0、next[i]表示“前i个字符的最长相等前后缀长度”还是“失配后跳转到的位置”算出来的数组会不一样。我习惯用工程里最常见的“失配跳转版”来算也就是// next[i] 表示第 i 位发生失配时j 应该跳转到的位置 vectorint buildNext(const string p) { int n p.size(); vectorint next(n, -1); int i 0, j -1; while (i n - 1) { if (j -1 || p[i] p[j]) { i; j; next[i] j; } else { j next[j]; } } return next; }按这个逻辑p abacaba 的 next 数组算出来是next[0] -1next[1] 0ab无公共前后缀next[2] 0aba最长公共前后缀为1但失配跳转版在“匹配到第2位时失配”的逻辑下记为0这一步是很多人容易混的next[3] 1abac第3位c失配时j跳回1因为a和a匹配可以少比较一位next[4] 0next[5] 1next[6] 2next[7] 3也就是[-1, 0, 0, 1, 0, 1, 2, 3]。这里有一个非常关键的避坑点如果你用的是“最长相等前后缀长度”的定义那next数组可能是[0, 0, 1, 0, 1, 2, 3]下标从1开始或者[-1, 0, 0, 1, 0, 1, 2, 3]下标从0开始。所以考场上如果时间允许建议在答案旁边加一句“基于失配跳转定义next[0]-1”避免面试官误解。更重要的是这种题不要只背结论要会手算推导一两次理解“最长相等前后缀”这个核心含义。2.2 排序、堆与贪心基础算法不能只背结论热搜词里“数据结构排序算法”“堆排序算法”“冒泡排序算法c”“贪心算法”这些都是笔试常客。速腾这类公司考排序往往不会只问你“快排时间复杂度是多少”而是会结合稳定性、空间占用、工程场景来出题。比如有一类经典问法在链表上排序用什么算法在近乎有序的数组上排序用什么算法在内存受限的嵌入式设备上排序用什么算法这就是在考察你对排序算法本质的理解而不只是背结论。我整理了一个对比表格笔试前可以快速过一遍排序算法平均时间复杂度最坏时间复杂度空间复杂度稳定性适合场景冒泡排序O(n^2)O(n^2)O(1)稳定近乎有序的小数组快速排序O(n log n)O(n^2)O(log n)不稳定常规大数组工程最常用归并排序O(n log n)O(n log n)O(n)稳定链表、外部排序堆排序O(n log n)O(n log n)O(1)不稳定需要O(1)空间的场景计数排序O(nk)O(nk)O(k)稳定数据范围小的整数排序堆排序在机器人算法岗笔试里出现频率挺高因为它和“优先级队列”直接相关比如Dijkstra寻路、A*算法、DWA局部规划里的代价评估都会用到。如果你手撕堆排序不够熟练建议至少掌握“建堆”“下沉”两个核心操作以及为什么堆排序是不稳定的元素在调整堆时可能跨越相同值的元素位置。贪心算法在笔试里很少出纯模板题更多是结合场景考比如区间调度、最少硬币问题、哈夫曼编码。真正的得分点是“证明贪心选择性质”。我当时遇到一道“用最少雷达覆盖最多目标”之类思路的题其实就是贪心的变体关键是要写出“为什么局部最优等于全局最优”的说明哪怕不严谨也要表现出一名算法工程师的证明意识。2.3 启发式搜索与群智能模拟退火、粒子群与剪枝的结合场景热搜词里“粒子群算法原理”“模拟退火算法”“剪枝算法”同时出现我怀疑是同一道或连续几道选择题。这类题很能体现机器人算法岗的特点机器人领域的大量问题——路径规划、参数标定、机械臂逆解搜索——都不是能直接求解析解的需要依赖启发式方法。粒子群算法PSO的核心就两个公式速度更新v w·v c1·r1·(pbest - x) c2·r2·(gbest - x)位置更新x x v其中w是惯性权重控制“继承上一时刻速度”的程度c1、c2是学习因子分别控制飞向个体最优和全局最优的力度r1、r2是随机数。笔试里如果考PSO大概率会问“惯性权重w过大或过小会有什么影响”——w过大容易跳过最优解收敛慢w过小容易陷入局部最优。这正是做全局路径规划时“探索与利用的平衡”问题。模拟退火的核心是Metropolis准则当新解比当前解差时不是直接丢弃而是以一定概率接受它这个概率是exp(-ΔE / T)其中T是当前温度。温度越高接受差解的概率越大温度越低越倾向于保留当前解。这个机制和机器人避障中的“允许暂时绕远路以跳出死胡同”在思想上完全一致。剪枝算法更多出现在搜索树场景比如A*算法的代价评估、博弈搜索中的alpha-beta剪枝。在机器人路径规划中剪枝的本质是“在扩展节点之前判断能否提前结束分支”减少无效计算。笔试如果出这种题建议把“搜索起点-代价函数-剪枝条件”三者写清楚不要只写一句“如果代价大于当前最优则剪枝”。2.4 进阶算法与工程实现HK算法、RETE、图像锐化与音频重采样的意外出现这类题目是我认为整套笔试里最有区分度的部分。热搜词里有“二分图hk算法”“规则引擎drools的rete算法实现原理和事实匹配过程”“图像锐化的拉普拉斯算法”“音频重采样算法”“腾讯视频ckey5.x算法_php版”个人感觉前三个是重点。Hopcroft-KarpHK算法是二分图最大匹配的优化算法核心思想是用BFS构建等长的增广路径层次图再用DFS一次寻找多条增广路径把复杂度从O(VE)降到O(E√V)。机器人领域的应用场景很明确任务分配问题——比如多台AGV分配多个工作站、多个机械臂分配多个抓取点本质上都是二分图匹配。笔试如果问HK算法不需要你完整背代码但至少要能说出“BFS分层 DFS扩展增广路径 重复直到没有增广路径”这个框架以及它相对匈牙利算法的优势在哪里。RETE算法是规则引擎Drools的核心它把规则编译成一个节点网络TypeNode、AlphaNode、BetaNode、TerminalNode用增量匹配的方式在事实变化时只处理受影响的部分而不是每次全量重算。这个知识点出现在机器人视觉引导或制造执行系统相关的业务场景题里不奇怪因为工业现场经常需要“当工件到达某工位且相机采集到图像时触发机器人抓取”这类事件规则。图像锐化的拉普拉斯算法属于基础图像处理。拉普拉斯算子是一个二阶微分算子常见模板是0 -1 0 -1 4 -1 0 -1 0锐化的原理是“原图减去或加上二阶导数结果”公式通常写成锐化结果 原图 k * 拉普拉斯结果。它强调的是灰度突变区域适合在视觉引导抓取场景中增强工件边缘。笔试如果考计算题往往会给一个3x3或5x5的区域让你手动算中心像素的输出值。这里一定要先确认模板系数是中心为正还是中心为负方向反了图像就会从“锐化”变成“模糊”非常容易丢分。音频重采样算法对我来说属于“跨知识面”的题目它和雷达数据插值有相似之处。简单说就是从48kHz音频转44.1kHz这类需求中需要在采样点之间插值常见方法有最近邻、线性插值、sinc插值。这个知识点出现可能只是想考察“你是否具备信号处理基础”不必深入。3. 机器人专业知识与系统能力笔试里的“非纯算法题”占比不小3.1 ROS/ROS2与机器人导航从框架到寻路一条线热搜词里有“ros2机器人开发从入门到实践pdf”“机器人导航”“机器人仿真平台选择”“abb机器人怎么优化条件等待卡顿”等这些几乎可以确定是笔试和面试的交叉考点。速腾聚创作为雷达供应商他们的客户大量使用ROS/ROS2做机器人开发所以笔试题里出现“在ROS2中如何编写一个发布点云话题的节点”“TF树的作用”这类问题再正常不过。我的建议是不要只背ROS2的概念而要能画出一个简单的“传感器-感知-规划-控制”链路。比如机器人导航的典型流程激光雷达发布/scan或/pointcloud2话题 - SLAM节点根据点云和里程计数据构建栅格地图 - 全局规划器用A*或Dijkstra在地图上计算路径 - 局部规划器用DWA或TEB进行实时避障 - 输出/cmd_vel速度指令。这套链路里每个环节都有可能是考点。关于“机器人仿真平台选择”我个人的经验是Gazebo配合ROS2用于传感器仿真和算法验证最成熟如果追求高保真物理接触可以用CoppeliaSim如果要快速验证导航算法Stage/2D仿真就够用。笔试里如果问这类问题关键不在于你用过多少平台而在于你清楚每个平台的适用边界。3.2 运动学与动力学delta机器人动力学方程的“标准答案”思路“delta机器人动力学方程”这个热搜词让我印象很深因为这类题目在很多机器人算法岗笔试里都会出现。Delta机器人是一种并联机器人三个主动臂通过平行四边形结构连接到动平台动力学建模比串联机器人复杂因为它包含闭环约束。常见建模方法有两种牛顿-欧拉法和拉格朗日法。笔试如果让你写动力学方程通常不需要推导完整公式而是考察你对“质量矩阵、科里奥利项、重力项、驱动力矩”这几项关系的理解。一个典型的动力学方程形式是M(q)·q C(q,q)·q G(q) τ其中M(q)是惯性矩阵C(q,q)是科里奥利/离心力项G(q)是重力项τ是关节驱动力矩。如果还包含外部负载比如抓取的工件重量还要在等式右边加上J^T·F_ext这一项。我当时在这道题上的做法是先写出通用式子再说明Delta机器人在高速分拣场景里重力补偿和科里奥利力补偿对跟踪精度的影响很大最后提了一句“实际工程中也可以用拉格朗日法在关节空间建模”。即使公式不完整这种“从通用模型到工程落地”的答题结构会让阅卷人觉得你是有实践经验的人而不是只会背公式。3.3 自动化与工业现场PID、PLC搬运机器人、ABB机器人中断恢复这一块偏工业自动化出现在机器人算法岗笔试里并不意外尤其是速腾聚创有大量工业客户和产线自动化场景懂一些PLC和工业机器人调试知识反而能拉开差距。PID算法是控制领域最基础也最常考的知识点。P项比例控制“现在误差有多大”I项积分控制“误差累计了多久”D项微分控制“误差变化有多快”。在机器人运动控制里如果只用P控制会出现稳态误差比如机械臂停在目标点前几毫米就动不了加入I项可以消除稳态误差但积分过大会导致超调加入D项可以抑制超调但对噪声敏感。笔试如果出“怎么用PID做一个跟随目标的移动机器人控制”我建议除了写代码最好说明一下调参顺序先调P到临界振荡再调D抑制超调最后加I消除静态偏差。PLC搬运机器人的题目核心考察的是顺序控制和状态机思维。用梯形图也好结构化文本也好本质上都是“当前处于哪个步、满足了什么条件、切换到下一个步”。你在笔试里不需要写出完整的PLC程序但最好能画出状态转移流程并说明“用什么传感器信号来判断工件到位”“抓取动作完成后如何通知下游设备”。这种思路和机器人算法里的状态机设计是相通的。“ABB机器人怎么优化条件等待卡顿”和“ABB机器人触发中断后如何跳出原断点从原断点的下一行继续”是更进阶的工业机器人考点。ABB机器人里可以通过TRAP中断或信号中断来处理应急事件。如果触发中断后希望从原断点继续关键是要理解中断处理器执行完毕后机器人不会自动回到原指令位置除非你在中断中使用了特殊处理比如在中断例程里记录当前指令行号或者用Stop指令后通过Start从断点恢复否则系统默认会回到主程序重新扫描。这个知识点如果没接触过ABB现场调试很容易一头雾水它考察的是候选人对“工业机器人中断机制会影响运动连续性”这一工程问题的敏感度。3.4 感知与硬件交叉视觉引导、资源受限机器人、整机供电与芯片选型“tva视觉引导机器人”应该是“TV视觉引导”或“3D视觉引导”的笔误或缩写。这类题目通常牵扯到“相机标定、手眼标定、抓取位姿生成”这条完整链路。我回答这类问题的套路是先明确分类——眼在手上eye-in-hand还是眼在手外eye-to-hand再说明标定目标是求取相机坐标系和机器人基座坐标系之间的变换矩阵最后说明视觉引导抓取的核心流程——“相机识别工件 - 通过标定矩阵将像素坐标转换为机器人基座坐标 - 规划抓取姿态 - 下发机器人运动指令”。手眼标定矩阵求解不一定要会推导但至少要知道AXXB这个经典方程形式以及为什么要用多组位姿数据来求解。“资源受限机器人”“esp32-cam的机器人整机”“宇树机器人电路板拆解”“全志科技人形机器人芯片”这些热搜词反映的是笔试中可能出现的一类“嵌入式机器人”交叉题。尤其是在激光雷达公司很多雷达内置算法需要在嵌入式平台上运行比如MCU或FPGA上做点云预处理、目标聚类这就要求你了解算力受限场景下的算法设计原则。回答这类问题时核心要点是“计算量、内存占用、实时性”三者之间的平衡。比如在ESP32-CAM这类板子上运行视觉避障就不太可能跑深度学习YOLO系列模型更现实的方案是使用传统图像处理颜色阈值、轮廓检测、面积筛选或者极轻量级的MobileNet变体。宇树机器狗电路板拆解这类内容看起来是硬件向但如果你能聊几句“电池供电下如何通过电压调节给主控、电机驱动、雷达分别供电”也会让阅卷人觉得你有整机意识。这一块我自己的经验是不要只停留在“我能调接口”要能说明白“为什么在硬件边界下只能这么做”。4. 现场答题技巧与代码习惯避免“会做但拿不到分”4.1 笔试现场的节奏控制与精力分配这场笔试的时间其实不算宽裕三个小时的内容我做完大概还剩十几分钟检查。回头看问题最大的不是题目有多难而是我不自觉地在一些偏题上耗了太久。特别是那种“看着眼熟但一时想不起来”的题比如RETE算法的细节我大概纠结了七八分钟导致后面开放题时间紧张。我的经验是无论题型怎么变先做“确定会做”的题再啃“有点思路但需要时间”的题最后蒙“完全没有头绪”的题。打乱题目顺序来答题在线上笔试里是完全允许的不要被题号顺序绑架。另外每道代码题尽量留出读题时间的两倍来做因为读题漏掉限制条件比如“要求原地修改”“要求O(n)时间复杂度”是最亏的失分方式。4.2 代码题的高分写法注释、边界、复杂度说明代码题不一定要求能运行通过全部测试用例但你写出来的代码必须让阅卷人一眼看出你是有工程素养的。我自己的高分模板是三步走第一先写出一个简短的解题思路说明。哪怕写在注释里也能让阅卷人理解你的思考过程。比如KMP题我会写“// 先构建next数组再对主串进行匹配主串指针不回退”。第二注意边界条件。考虑空字符串、单字符、数组首尾位置、整数溢出。尤其是排序和KMP这类题目边界错了就是全错。比如堆排序里最后一个非叶子节点的下标是n/2-1很多人在这里写错。第三明确写出时间复杂度和空间复杂度。很多同学容易忽视这一行但这一行恰恰是算法岗笔试最直接的评分点之一。比如二分图HK算法你要能写出O(E√V)堆排序你要能写出O(n log n)时间、O(1)空间。还有一个细节题目如果用C写的我就默认规范是使用vector而不是裸数组并且把using namespace std的负面影响控制好题目如果要求Python我就尽量用内置数据结构set、dict、deque因为这类库函数在笔试环境通常是可以用的自己手写反而容易出错。4.3 简历与笔试的联动怎么让项目经历替笔试“加分”笔试内容和项目经历其实是高度联动的。我当时最大的感受是笔试题里很多概念如果是简历上写过的项目答起来会顺手很多。比如我在简历里写过一个基于雷达点云的目标检测项目笔试遇到“如何对点云进行地面分割”这类场景题时我就能直接结合项目中的做法来答而不是空泛地背RANSAC或栅格高度的概念。建议在笔试前重新过一遍自己简历上的项目把每个项目用“背景-方法-结果”三步压缩成三句话。不是为了背而是为了遇到相关场景题时能快速调用项目中的具体经验来支撑答案。比如“在用RANSAC做地面分割时你会怎么处理坡度较大的路面”“雷达点云稀疏时聚类距离阈值应该调大还是调小”这类问题都是简历上的项目话术能直接转化来的答案。5. 复盘与避坑清单我踩过的坑和后来者能直接用的一套动作5.1 常见的“一考就错”的知识误区笔试结束后我专门复盘了那些容易错的地方整理成一张避坑清单分享出来可能对大家更有价值误区点错误理解正确理解KMP的next数组认为next永远是“最长相等前后缀长度”不同教材定义不同要写清楚下标从0还是1开始、next[0]是-1还是0快速排序稳定性认为快排是稳定的快排是典型不稳定排序因为分区时元素会跨越等值元素的位置PID积分作用认为I项越大越好I项过大会导致超调和振荡需要结合D项共同抑制手眼标定认为“相机看到工件就能抓”必须通过标定矩阵把像素坐标转换到机器人基座坐标系Delta机器人动力学只写通用动力学公式要说明并联结构的闭环约束以及重力补偿的实际意义粒子群惯性权重认为w越大收敛越快w越大越容易跳出局部最优但过大会导致震荡需要衰减策略图像拉普拉斯锐化认为直接用模板卷积就是锐化锐化结果是原图加上加权后的拉普拉斯响应方向错了会变成模糊PLC顺控认为梯形图就是全部核心是状态转移思维步与步之间的切换条件才是关键这张表值得考前扫一眼因为这些点几乎都是“看起来会一考就错”的重灾区。特别是KMP的next数组和拉普拉斯锐化符号方向这两项我周围至少有三个朋友在笔试后对答案时发现错在这里。5.2 备考资料与参考资料清单笔试结束后我复盘了自己过去半年主要看的资料觉得如果针对速腾这类公司来准备以下资料组合性价比最高C算法基础LeetCode题库中“数组、链表、字符串、树、图、动态规划、贪心”七个模块建议刷200题左右重点练习能写出“题解式注释”的代码习惯。ROS/ROS2官方Tutorials是第一优先级其次可以找ROS2机器人开发相关的实践类书籍或开源项目重点学URDF建模、TF坐标变换、Nav2导航栈、点云处理PCL。机器人运动学/动力学建议看机器人学经典教材或公开课重点掌握正解、逆解、雅可比矩阵、拉格朗日方程和牛顿-欧拉法。不要死记公式要能说出每个变量的物理含义。感知与控制基础PID控制、相机成像模型、手眼标定、图像滤波与边缘检测、点云配准ICP都是高频考点需要能口述原理并简单推导。开源项目直接上GitHub找一个基于ROS2的差速小车或机械臂抓取项目自己跑一遍。能解决“资源受限机器人”“视觉引导机器人”这类场景题的答案通常都藏在项目实践中。5.3 我个人复盘后的三点体会这套笔试做下来我最强烈的体会是速腾聚创对算法岗的要求是“算法基本功扎实 机器人系统认知完整 有真实工程直觉”三样缺一不可。纯LeetCode选手会卡在工业场景题上纯机器人背景选手会在代码题上失分只有两边都沾的人才能拿到高分。另一个体会是笔试题的很多考点其实是互相串联的比如粒子群优化里“探索与利用的平衡”在PID调参里就体现为“P项的激进与D项的抑制”在导航规划里就体现为“全局最优与实时避障的取舍”。你能不能在答题时把这种“一通百通”的感觉写出来往往比多写一个公式更能打动阅卷人。备考后期我还有一个踩过坑之后的教训不要只埋头刷题一定要每周抽时间跑一遍自己简历里的项目代码把启动、演示、调参的每一个步骤都重新过一遍。笔试前一周我重新跑了一遍曾经做过的雷达点云目标检测demo不仅让笔试里的点云分割题答得更顺连第二天面试中“介绍一下你做过最有挑战的项目”都能讲得比之前更流畅。这种复盘习惯值得每一个准备机器人算法岗的人坚持下来。