一、基础学科知识
1. 数学基础
- 线性代数: 矩阵运算、特征值分解、奇异值分解
- 概率与统计: 贝叶斯理论、高斯分布、卡尔曼滤波
- 微积分: 梯度计算、优化理论
- 最优化方法: 凸优化、非线性规划
2. 计算机科学基础
- 数据结构与算法
- 面向对象编程
- 操作系统原理
- 计算机网络基础
二、专业核心知识
1. 感知模块
- 计算机视觉:
- 图像处理基础(滤波、边缘检测)
- 目标检测(YOLO、Faster R-CNN系列)
- 语义分割(U-Net、DeepLab)
- 目标跟踪(SORT、DeepSORT)
- 3D视觉(点云处理、SLAM)
- 传感器技术:
- 摄像头标定与畸变校正
- 激光雷达工作原理与点云处理
- 毫米波雷达信号处理
- 多传感器融合策略
2. 定位与地图
- 定位技术:
- GNSS/RTK定位
- 惯性导航(IMU)
- 视觉定位(VIO)
- 高精度地图匹配
- 建图技术:
- 激光SLAM(LOAM、LIO-SAM)
- 视觉SLAM(ORB-SLAM、VINS)
- 语义地图构建
3. 决策规划
- 行为决策:
- 有限状态机
- 决策树
- 强化学习在决策中的应用
- 运动规划:
- 路径搜索算法(A、D、RRT*)
- 轨迹优化(多项式轨迹、MPC)
- 行为预测模型
4. 控制执行
- 车辆动力学模型
- PID控制
- 模型预测控制(MPC)
- 横向与纵向控制耦合
三、AI与机器学习
1. 深度学习
- 卷积神经网络(CNN)
- 循环神经网络(RNN/LSTM)
- Transformer架构
- 生成对抗网络(GAN)
2. 机器学习算法
- 传统机器学习方法
- 强化学习(DQN、PPO、SAC)
- 迁移学习、元学习
四、工程实践技能
1. 编程能力
- 必备语言: C++(主)、Python(算法原型)
- 框架熟悉: ROS/ROS2、Apollo、Autoware
- 工具链: Docker、Git、CI/CD
2. 软件开发
- 模块化设计与代码架构
- 算法性能优化
- 多线程与并发编程
- 实时系统开发经验
3. 测试验证
- 仿真环境搭建(CARLA、LGSVL)
- 实车测试流程
- 算法评估指标设计
- 安全测试与冗余设计
五、行业特定知识
1. 车辆工程基础
- 车辆电子电气架构
- 线控底盘原理
- CAN总线通信协议
2. 法规标准
- 功能安全标准(ISO 26262)
- 预期功能安全(SOTIF)
- 国内自动驾驶分级标准
3. 行业生态
- 主要玩家与技术路线
- 供应链与合作伙伴
- 商业化落地挑战
六、软技能
- 系统思维与问题分解
- 跨团队协作能力
- 技术文档编写
- 持续学习与知识更新
学习建议路径
1. 初级阶段: 夯实数学和编程基础,学习经典CV算法
2. 中级阶段: 深入某个模块(感知/规划/控制),参与项目实践
3. 高级阶段: 掌握全栈技术,理解系统级设计与优化
4. 专家阶段: 技术前瞻性研究,推动算法创新突破
自动驾驶技术迭代迅速,工程师需保持终身学习态度,关注最新论文和技术动态,同时注重理论与实践的结合。随着2026年自动驾驶商业化进程加速,行业对算法工程师的系统思维和工程落地能力要求会越来越高。