机器人及无人驾驶领域真实人才供需状况如何？企业真正需要什么样的人才？

吴：吴伟老师（极智嘉）

李：李相根老师（云鲸智能）

高：高翔老师（智行者）

我们在直播中向老师提出了6个问题，三位老师分别给出了分析与解答。

问题1：对移动机器人和无人驾驶领域未来5年的看法，以及企业近几年的发展状况？

吴：

仅代表个人看法，我13年加入腾讯，在14和15年做了腾讯的第一代无人车，个人感觉很难落地。

2、问题2：企业招聘时着重考察面试者哪方面的知识储备或能力？又忌讳哪些？

吴：

1.面试者的态度，比如软件算法开发工程师的笔试能力，刷题准备程度。学生本科的GPA，以及相关的成绩（偏数学、计算机相关课程相关的成绩）；

2.研究生阶段的企业实习（至少有两到三个月的实习）以及跟导师的研究、课题；

3.计算机相关知识的背景（数据结构、编译原理、操作系统等）。算法和代码开发能力都需要兼得，在企业这两种能力分不开。

个人看重开发能力，根据paper的算法复现能力。为人正直，实话实说。

李：

我们有一个理念：有好的基础的素质比是否具备具体的技术技能更重要。

1.岗位相关的基本常识和技能，包括算法的基础，计算机的基础，数学基础，开发的基础，代码的实操；

2.是否对自己做的事情有比较清楚的了解及比较深入的研究；

3.是否具有一个积极主动思考解决问题的习惯。

忌讳：浮于表面，不求甚解，被动思考。

高：

1.对自己的专业知识有比较深入的了解；

2.有一定的代码开发能力，有代码的实操能力。

忌讳对什么都知道一些，只知道一些概念的人。

小编总结

问题3：算法层面包含感知、定位、决策规划以及控制等几大核心模块，企业对从业者/求职者的要求是面面俱到？还是专注其一即可？

吴：

不同企业对不同领域是不同的侧重是不一样的，比如仓储机器人主要是在决策规划和控制这一块。后面可能对感知会提高一些。

很难面面俱到，对于社招应聘者而言，希望能在自己的领域内专注，一直都在这类的专业领域深入。

公司会希望多面手，对于自己的上下游也要有粗浅的了解，一专多广。需要工程师解决问题处理问题的能力，可能都是不是自己专业领域的。

李：

大一些的公司往往希望工程师在一个点上相对深入，其他方面有所了解。大公司需要专业化，分工明确，在自己的负责的部分需要比较深入，了解其他方面对自己的工作也很有帮助。

高：

基本不需要面面俱到的人，也不可能。移动机器人主要分为感知、定位和地图、决策与控制。例如扫地机器人应该侧重定位的问题，规划和控制比较简单。只需要在自己的领域深入。

小编总结

问题4：企业如何看待算法工程师的学历背景？对于学历背景一般的求职者该如何提升自己的竞争力？

吴：

实事求是，希望候选人的背景好一点，背景不好的面试者也是有机会。有以下几个点：首先是做笔试题，100分的满分要超过50分；

第二点，做题的时间，少于45min并分数低于50分则不考虑，需要真正有干货有实力的，笔试能力就是最好的证明。建议大家找工作多刷一刷题。

竞争力上，建议大家学习阶段，多出去实习，建议实习时长不少于3个月。

李：

企业关注的是解决企业问题的能力。不过一般学历背景好的人，锻炼机会会多一些，所以解决问题的能力会强一些。

学历不是绝对的，背景学历不好的同学证明自己解决问题的能力很强也OK。

在学校的时候可以对自己领域多深入了解，有哪些分支，研究的前沿，找机会实习，多解决一些实际的问题，落地一些方法。

工作时，可以开发出长时间稳定工作的软件。这些能力都可以作为脱颖而出的条件。

高：

我不是很看重学历背景，但对于一些大公司学历背景简历是筛选人的第一步，一目了然。这些都不是唯一的，学历不好也是很正常

。自己的能力可以用其他的方式展现出来，比如说发了比较好的Paper、做了比较好的成果，代码能力很强，这些可以用一些形式展现出来证明自己的能力，比如说开源代码的形式。

当然刷题能力也是一种，虽然我没有刷过题。学历背景好能得到多一些机会，但总体来说企业不是很强调学历背景，关键还是解决问题的能力，注重能力强的人。

小编总结

问题5：机器人及无人驾驶领域真实人才供需状况如何？是否存在内卷问题？

吴：

人才很缺。整个行业的人才池子就这么大，大家一些技术都是相通的，优秀的人才很难招到，都是要抢。对于企业关键的领域，大家都会花大价钱去砸招人才。

李：

早些年，这个领域比较宽松，公司比较多，岗位也很多，对普通工程师来说，大家找工作都比较容易一些。

但最近由于机器人行业的落地要求提升和疫情的影响倒闭了一批公司，岗位相对来说会少一些，导致现留存的公司对求职者的要求更高，希望可以筛选出面对实际问题，coding，解决问题，并且落地的优秀人才。

而这些人才在社招简历池中通常很少。

高：

重质不重量。

像自动驾驶这个领域，问题都比较难。不是说找一大堆人来解决就有用，通常招10个人，可能就一个人能解决问题，其他人就天天在开会。

像我了解的，一些专业实验室的毕业生都是毕业不愁找工作，基本上就是毕业就被人挖走了，没什么就业压力。

建议大家就是在校的时候，多提升一下自己的能力。比较重要。高质量人才在简历池基本找不到，对高质量人才比较缺。

小编总结

问题6：对在校者有何学习建议？对初入职场的工程师有哪些“少走弯路”的成长经验分享？

吴：

一些经典的东西，之所以经典是承受得住时间的考验的。比如说PID，建议大家对一些经典的东西有一些深层次的了解。对于经典的基础的东西，应该足够的重视，实际的做一做。

对在校生，重复造轮子是很有必要的，在这个过程中锻炼自己的能力。

李：

对在校生来说，就是要打好基础，对一些概念要有深层次的理解。一个有效的方法就是，多coding、多做论文复现，多“造轮子”，把经典算法实现出来。

对工程师来说，第一是好奇心，做事情有好奇心会学习到新知识新技能；

第二是乐观，遇到问题要保持乐观，相信事情会变得越来越好；

第三是，肯做脏活，脚踏实地，做出一些切实有效的工作。

高：

主要面向在校同学。在自动驾驶领域，建议本科生至少还是要读研，本科生的天花板比较低。

如果要读PHD，要看导师和团队好不好，不要导师也不是搞这个的，实验室就一两个人做，这会比较难受。

读PHD，要找相关的实验室，最好到国外去读，国外在这个行业还是领先不少。自身的硬实力要注重一些，paper发了一篇是一篇，书写了一本是一本，coding能力开源了一个是一个。

写代码的能力要与时俱进，跟上时代。

能去公司实现一定要去公司实习，一些问题和方法不能再学校遇到；比如说开发测试集成的流程，代码规范能力等等。

在线提问部分

1、目前在做扫地机器人的规划和决策，觉得扫地机器人的规划和逻辑决策都比较简单基础，建议应该怎样进一步学习路径规划和决策，未来能去应聘什么样的公司？

李：

深蓝学院有一个高飞老师讲的规划课程可以听一下，提升一下自己的理论素养。在实际中，遇到问题，如果自己都不知道有哪些高级的算法，肯定不知道用什么高级算法来解决。

找公司，建议找一些对算法性能有追求的公司，大部分的公司都不知道算法的好坏，只要项目干出来就好了。建议可以找一些实习，多设置一些场景来测试实际的算法，把理论上的东西串起来。

2、SLAM能敲多久的代码，35岁以后能不能干下去？

高：

35岁这个情况，在我们国家是比较特殊，因为我们国家的计算机起步比较晚，现在从事这个行业的人都十分年轻，所以看起来有35岁这个瓶颈。

欧洲那边我有看到有很老的博士都还在码代码，可能过几年我们国家也是码代码能干到40岁50岁。

像我们搞自动驾驶SLAM方向，现在在解决一类问题，也需要不断的学习，可能这个问题解决了，不需要我们了，我们就继续这个行业的新问题，总之还在这个行业里，就是这样。

李：

我职业生涯的开始是做SLAM，后来逐渐扩大了自己的工作范围，负责整个机器人的软件和算法。以下是我的一些看法：

1.首先企业家看的一定是一个人的价值而不是年龄。

2.工作里面可以分为较深的领域和较浅的领域。在较浅领域里面把问题解决好，公司积累了完善的解决方案，可能就会把这部分人调配至更具有价值的工作里面去。

所以我们不断地去扩展自己的工作、学习新内容、不断地投身到能创造新价值的地方来为公司带来价值和利益，这样就可以一直把技术做下去。在云鲸，我们也会挖掘35岁至40岁的优秀人才。所以35岁之后能否继续做下去，关键的点就是能不能不断的为公司乃至社会创造新的价值。

吴：

年龄增大确实会存在一些问题，加班和学习能力上确实比不上年轻人。但是经验和看问题的本质，对架构的看法还是有经验的。

3、秋招找了开发，但之后还想找移动机器人方面，老师有什么建议？

李：

这个其实看自身选择。你可以放弃这个工作，重新找一个工作；你也可以先工作一段时间看适不适合自己，不合适的话可以放弃重新选择。

吴：

我比较看重一个工作的连续性，比如做cv的我3、5年都是做这个的，换工作也是这个。

4、请问高：博士，最近SLAM融合研究的最新方向，读PHD哪个方向更值得研究？

高：

之前写SLAM14讲是15、16年，给了2个比较大的方向。一个是VIO方向，后面几年确实也很多人再做；

一个是语义的建图和语义的SLAM，这块这几年做的人也很多，也处于一个没有解决的状态；工业界这边，最好根据工业界的需求来做SLAM或者重建；目前的主要一个阻止落地的问题是不能够构造一个反复可以一直用的地图，建完一张图之后，定位什么的可以一直用。

目前大家都在场景中放置一些标志物等来确定，其实现实场景中是没有的，这是没有解决的问题。

未来大家有可能用一些Deep learning的手段来识别特征，对一些特定领域可能是好用的，比如自动驾驶领域有车道线路边等特征可以提取，然后做一个匹配，这个也不是很成熟，还在做。

如何在一些更加常见的场景，比如一个没有任何特意标定的东西，我们可以建图然后长时间用来做定位，这个当前学界和工业界都在关心的问题。再多的话，就是和新的传感器有关了，不同的传感器信息融合在一起，做的SLAM比较好。

6、深度学习是机器人领域的基本要求吗？我每次看到这个领域的招聘都会看到有深度学习的要求。

李：

这个比较有意思，在移动机器人领域，深度学习在应用落地上是比较前沿的东西，因为要落地要给他配置对应的算力，当前算力成本比较高。

我们做的比较高端的拖扫一体机器人，售价是4000多块，给算力的预算有限，在一个算力不强的平台上做深度学习会比较有挑战。

最近几年也有一些对算力要求比较低的算法出来，所以逐渐也有深度学习应用落地的工作出来。总的来说，深度学习还不是基本的要求，可能未来是。

7、无人车感知模块还存在什么问题？或者在您的公司感知岗位都在处理哪些问题？我该如何培养这方面匹配公司的实际问题。

高：

在城用车，其实感知是最大的一块最困难的一块，不过决策也很难。

因为很难保证这个感知是对的，很大的问题都是出在感知上，比如说有个车经过我没有检测到。这个我看还没有本质上的解决方法，大家现在就是拼一下自己的数据集和算力，提高一点正确率。

现阶段，感知大部分工作还在迭代模型和迭代数据这样，可能在公司上还有管理上的，比如很多人在标定数据，需要检查正不正确。

也有一些公司在做感知训练的专业处理芯片，可以用来加速计算；这个感知的问题，是世界难题，应该这几年没那么快能解决。

8、扫地机和AGV行业，激光SLAM和视觉SLAM那个用得更多，在学校应该学习那个？

吴：

在AGV这个行业，目前来看，激光SLAM用得多一些，激光的稳定性和鲁棒性会好一些，在室内由于高度有限也限制了视觉SLAM的使用，看到的绝大部分是地面；

视觉SLAM也不是在AGV上使用，也可以用做一个视觉上的重定位工作。比如说机器人的初始化，获取信息等可以应用落地的，这也是我们目前在做的东西。

李：

其实目前扫地机来说，激光SLAM会用得多一些。一是激光是主动发光的设备，不受光照的影响，长时间地图的维护有优势（不用考虑光照的变化）二而是激光可以提供一个比较密的与机器人同平面的障碍物信息，可以让路径规划更智能一点。

在学校应该学哪个：其实这两个底层的知识都差不多，背后都是一些优化和几何的技术，学哪个都可以，都是比较相通的。

9、请问海外博士回国招聘，秋招错过了，秋招和春招？

李：

其实公司都是长期招聘且缺人的，可以直接向心仪公司投递简历，或者走内推。

10、请问车辆工程出身的做规划和控制的PHD，第一份工作是做主机厂、初创还是供应商合适呢？

高：

当然也可以把华为、百度这类互联网大公司也列入选择，也都有自动驾驶相关岗位，国内自动驾驶百度比较领先，主机厂现在还是在拉团队的一些阶段，初创的话有些初创前面的公司。

这还是大公司和小公司的问题。大公司代码流程规范化还是做得很好的，这在推进任务和项目上比较有用，很多人代码都是在大公司练出来的。初创的话就是事情可以更快得推动起来，人比较少，做事情会比较顺利一些。

就个人而言，做事情去初创公司会更加顺利一些，大公司会锻炼代码规范能力但也还有一些其他限制。这都是看自己的选择。听别人的意见，最终自己拍板决定。

11、 机器人算法工程师对能力的要求相对于一般大厂开发工程师来说，要明显的高（包含算法、开发），然而待遇并没有更高，这种“性价比”的小落差， 是不是目前机器人人才供应不足的一个原因呢？

吴：

作为应届的小白不应该过度关注“性价比”的问题，最重要的是选择一个行业，选择一个领域，选择自己喜欢的赛道，然后对自己有高质量空间的一个机会，对于刚入职的小白不要计较太多。

李：

职业生涯初期不应太注重钱，而是去看一个行业的未来发展。对于机器人算法工程师能力要求更高，同时待遇普通只存在于部分公司，比如我们公司不存在这种情况。

12、SLAM方向自动驾驶和AR应该选择哪一行业更好？

高：

短期来看，AR的落地概率更大一些，不管是什么载体，短视频或者手机端的应用都会有人来做，手机端的短视频以及特效的一些应用看起来比较容易落地，而且对于VSLAM是强需求，自动驾驶这种比较难说，路线也比较多，如L2级别、L4级别等现在看起来是一条比较困难的路，关于前景众说纷纭，个人认为低速车转高速车是一条比较好的路。而且认为做车会比短视频有意思一些。看个人选择。

13、ROS在机器人市场的情况？

吴：

投入到ROS还是值得的，但是还是要看到ROS现在存在的一些问题。ROS2现在就是针对这些问题。ROS搞通，然后关注ROS2的进展这是我的建议。

14、SLAM方向公司需要能解决什么问题人才？

李：

可以从SLAM正面临的问题入手，如前面高博所说，在地图上能够有一些语义的信息，方便后面更好的决策和规划，对于这些unsolved问题有一个了解，对于基础薄弱的能够夯实基础，或者能够在这些方面做出一些工作。

做这些工作都是对企业的充分证明自己水平的东西哪怕不是这个企业目前需要的，能力到了会有更多选择。

15、请问处于Deep Learning的岗位，如何转SLAM方向行业，没有系统学过相关知识。

李：