做机器人算法岗位久了会发现一个挺明显的变化：现在企业面试越来越不满足于“算法会不会”，而是越来越喜欢追问“算法怎么跑到机器人上、出了问题怎么定位、真实场景能不能跑稳”。

尤其是运动控制、感知、规划、强化学习、VLA、Sim2Real这些岗位，仅仅把论文、模型或者开源项目讲明白，很多时候已经不够了。

从这两年机器人企业实际招聘和候选人面试反馈来看，面试问题大致可以分成几个方向：数学与基础算法、机器人学、感知、规划控制、强化学习、VLA、Sim2Real、工程部署、项目经历以及系统问题。

如果近期准备面试机器人算法工程师，下面这50个问题建议至少提前过一遍。

---

一、机器人学基础：几乎绕不开

这一部分主要判断候选人到底有没有真正的机器人学基础，而不是只做过上层AI算法。

1. 正运动学和逆运动学分别解决什么问题？

2. Jacobian矩阵在机器人控制中有什么作用？

3. 什么是奇异位形？机器人接近奇异点时会发生什么？

4. 欧拉角、旋转矩阵和四元数有什么区别？分别适合什么场景？

5. DH参数法是怎么描述机器人连杆关系的？

6. 什么是机器人动力学？正动力学和逆动力学有什么区别？

7. 质量矩阵、科氏力项和重力项分别代表什么？

8. 机器人末端位姿误差应该怎么计算？

9. 什么是冗余自由度？冗余机械臂有什么优势？

10. 为什么机器人控制中经常需要坐标系转换？

**猎头观察：**很多简历写着“机械臂算法”“运动规划”，但真正问到Jacobians、动力学或者坐标变换，候选人的项目深度很快就能拉开差距。

---

二、运动规划与轨迹规划

这类题在机械臂、移动机器人、人形机器人岗位中都非常常见。

1. A*和Dijkstra有什么区别？

2. RRT和RRT*有什么区别？

3. 什么是采样式运动规划？为什么高自由度机器人经常使用这类方法？

4. 轨迹规划和路径规划有什么区别？

5. 五次多项式轨迹为什么比三次多项式更常用于机器人？

6. 如何同时考虑速度、加速度和jerk约束？

7. 机械臂避障通常有哪些实现方法？

8. 什么是轨迹优化？CHOMP、STOMP这类方法解决什么问题？

9. 为什么规划出来的轨迹在仿真中正常，真机却可能执行失败？

10. 移动底盘的全局规划和局部规划分别负责什么？

这里企业真正关心的，已经不只是“你知道什么算法”，而是：规划结果能不能被真实机器人执行。

---

三、机器人控制：高频中的高频

如果应聘运动控制、WBC、人形机器人算法岗位，这部分基本属于核心考察区。

1. PID三个参数分别会对系统产生什么影响？

2. 位置控制、速度控制和力矩控制有什么区别？

3. 什么是阻抗控制？什么是导纳控制？

4. 为什么机器人接触环境时经常需要力控？

5. MPC和传统PID相比有什么优势和局限？

6. 什么是Whole-Body Control？

7. 人形机器人为什么需要处理接触约束？

8. QP为什么经常出现在WBC里面？

9. 机器人发生振荡，一般会从哪些方向排查？

10. 控制周期从1kHz降到200Hz，可能对机器人产生什么影响？

这里有一道特别能区分项目深度的问题，就是第29题。

真正调过真机的人，往往不会只回答“重新调PID”，而是会继续检查控制延迟、编码器噪声、机械间隙、结构刚度、通信周期、执行器饱和、模型误差等问题。

---

四、机器视觉与机器人感知

视觉岗位现在也越来越强调“感知结果如何真正服务机器人动作”。

1. 单目、双目和RGB-D相机分别有什么优缺点？

2. PnP解决什么问题？

3. 手眼标定是什么？Eye-in-Hand和Eye-to-Hand有什么区别？

4. 点云配准常见的方法有哪些？ICP的基本原理是什么？

5. 2D目标检测和6D Pose Estimation有什么区别？

6. 为什么视觉识别准确率95%，机器人抓取成功率可能只有70%？

7. 深度相机常见误差来自哪里？

8. SLAM里面前端和后端分别做什么？

9. 视觉定位发生漂移时，一般从哪些方面定位问题？

10. 机器人感知系统为什么越来越强调视觉、力觉和触觉融合？

这里很容易出现一个误区：候选人只讲模型指标。

但机器人企业真正关心的是：识别以后，机器人到底能不能抓到、走到、操作成功。

---

五、强化学习、VLA与具身智能

如果现在面试具身智能公司，这部分出现频率已经非常高。

1. 强化学习中的State、Action、Reward分别是什么？

2. On-policy和Off-policy有什么区别？

3. PPO为什么在机器人强化学习中应用比较多？

4. Reward设计不好，会出现什么问题？什么是Reward Hacking？

5. Behavior Cloning和强化学习有什么区别？

6. 什么是Imitation Learning？机器人为什么需要示教数据？

7. VLA模型中的Vision、Language、Action分别承担什么作用？

8. VLA和传统“感知—规划—控制”架构有什么区别？

9. 什么是Sim2Real？Reality Gap主要来自哪些地方？

10. 如果一个策略在仿真成功率95%，真机只有50%，你会怎么排查？

最后这一题，我觉得是现在机器人算法面试里非常值得准备的一道题。

因为它实际上同时在考察候选人的仿真、控制、硬件、传感器、模型和工程调试能力。

比较成熟的候选人通常会从多个层面排查，例如：

仿真中的质量、摩擦、惯量参数是否准确；执行器模型是否真实；控制延迟是否一致；传感器噪声是否建模；相机标定是否存在误差；真机动作有没有饱和；训练场景是否覆盖真实环境。

这也是为什么现在越来越多机器人公司强调Sim2Real和真机经验。

---

真正拉开面试差距的，往往不是“标准答案”

从猎头接触到的一些机器人算法候选人来看，现在企业面试有一个趋势非常明显。

以前比较容易问：

“你会不会ROS？”

“你用过什么算法？”

“做过什么模型？”

现在越来越多面试官会继续往下追：

为什么选择这个算法？

你具体负责哪一部分？

这个项目最难的问题是什么？

真机出现过什么异常？

你怎么定位出来的？

最后指标提升了多少？

所以机器人算法岗位真正需要准备的，其实不是背50个答案，而是把自己做过的每一个项目重新梳理一遍。

最好至少能够说清楚一条完整链路：

问题是什么 → 为什么选择这个方案 → 怎么实现 → 遇到了什么问题 → 怎么定位 → 怎么解决 → 最终结果怎么样。

这套逻辑，往往比单纯背算法原理更加重要。

从猎头角度看，现在机器人企业越来越喜欢一种人才：

不仅能把算法讲明白，还真正知道算法为什么在真机上跑不起来。

前者证明你学过机器人算法，后者才更接近企业现在真正缺的人。