编程基础
C++
- 基础语法：变量声明与作用域、数据类型（整型、浮点型、布尔型）、流程控制（条件语句、循环）、函数定义与调用、类与对象（封装、继承、多态）。
- 核心特性 ：STL（标准模板库）容器（
vector、map）、算法（sort、find）、迭代器；模板编程（泛型函数与类）；C++11~C++20新特性（std::shared_ptr、Lambda表达式、范围for循环、概念约束）。 - 工程能力：GCC/G++编译与GDB调试、CMake构建系统、跨平台开发（Windows/Linux/macOS）、ABI（应用二进制接口）兼容性处理。
Python
- 基础语法 ：动态类型与数据结构（列表、字典、集合）、函数式编程（
lambda、map）、面向对象编程（类与实例）。 - 常用库 ：
- 数据处理：NumPy（多维数组运算）、Pandas（数据清洗与分析）。
- 可视化：Matplotlib（2D/3D绘图）、Seaborn（统计图表）。
- 深度学习：PyTorch（动态计算图、自动微分）、TensorFlow（静态图优化、Keras高层API）。
Linux开发
- Shell脚本 ：Bash语法（变量、循环、函数）、系统命令（
grep、awk）、权限管理（chmod）。 - 系统与服务 ：进程管理（
ps、kill）、服务部署（systemd单元配置）。 - 网络配置 ：TCP/UDP协议调试（
netcat、tcpdump）、环境变量（~/.bashrc）。
工具与协议
- 容器化 ：Docker镜像构建（
Dockerfile）、容器编排（docker-compose）、虚拟化隔离。 - 通信协议：TCP可靠性（三次握手）、UDP低延迟（视频流传输）、串口通信（波特率配置）。
基础理论
- 数据结构：哈希表（快速查找）、堆（优先级队列）、图（邻接表表示）。
- 算法分析：时间复杂度的渐进表示（O(n)）、动态规划（状态转移方程）。
硬件架构
- x86_64：高性能计算（服务器、工作站）。
- ARM64：低功耗嵌入式设备（树莓派、车载ECU）。
感知算法
传感器
- 视觉传感器：单目/立体相机（内参标定）、鱼眼镜头（广角畸变校正）。
- 激光雷达：点云密度（16线/64线）、机械式与固态LiDAR（如禾赛AT128）。
- 毫米波雷达：FMCW（调频连续波）测距原理、多目标跟踪。
- GNSS/IMU：RTK（实时动态定位）厘米级精度、IMU预积分（位姿估计）。
计算机视觉
- 传统方法：Harris角点检测、SIFT特征匹配、光流法（LK算法）。
- 深度学习 ：
- 目标检测：YOLOv8（Anchor-Free）、DETR（Transformer架构）。
- 语义分割：PSPNet（金字塔池化）、Swin-Transformer（层次化特征）。
- 模型部署：TensorRT量化（FP16/INT8）、ONNX跨框架转换。
点云处理
- PCL库：体素滤波（降采样）、ICP（迭代最近点配准）、欧式聚类（障碍物分割）。
- 深度学习：PointNet（点云分类）、PointPillars（自动驾驶检测）。
多源数据融合
- 时间同步：硬件触发（PPS信号）、软件同步（消息时间戳对齐）。
- 标定方法：棋盘格相机标定、LiDAR与相机联合标定（手眼标定）。
- 融合算法：扩展卡尔曼滤波（EKF）、多模态BEV（鸟瞰图）特征融合。
SLAM
- 视觉SLAM：ORB-SLAM3（特征点法）、VINS-Fusion（紧耦合IMU）。
- 激光SLAM：LOAM（特征提取与匹配）、LIO-SAM（激光-IMU紧耦合）。
控制算法
经典控制
- PID控制：比例参数调优（Ziegler-Nichols方法）、抗积分饱和。
- LQR：状态反馈矩阵设计、代价函数权重调整。
现代控制
- MPC：预测时域与控制时域选择、QP（二次规划）求解器（OSQP）。
- 轨迹跟踪：Pure Pursuit（纯跟踪算法）、Stanley（横向偏差控制）。
数据驱动控制
- 强化学习：SAC（柔性Actor-Critic）、模仿学习（Behavior Cloning）。
路径规划算法
全局规划
- A*：启发式函数设计（曼哈顿距离 vs. 欧式距离）。
- Dijkstra：优先级队列优化（Fibonacci堆）。
局部规划
- RRT*：渐进最优性证明、碰撞检测（KD-Tree加速）。
- DWA：动态障碍物速度障碍法（VO）。
行为决策
- 博弈论：纳什均衡（多车交互场景）、蒙特卡洛树搜索（MCTS）。
端到端智能
核心模型
- Transformer：ViT（图像分块编码）、BEVFormer（多视角融合）。
- 世界模型：Dreamer（强化学习与预测模型结合）。
物理与空间智能
- 物理引擎：PyBullet（刚体动力学仿真）、NVIDIA Isaac Gym（GPU加速）。
- 空间推理：3D Occupancy Networks（占据栅格预测）。
注：实际开发中需结合具体场景（如自动驾驶的ISO 26262功能安全、无人机的PX4飞控框架）进行算法选型与优化。