优必选科技校招备考攻略

数据来源：真实面经整理 | 版本：final

一、公司画像 & 校招节奏

公司基本情况

优必选科技（UBTECH Robotics）成立于，总部在深圳，是国内最早专注人形机器人研发的公司之一。在香港联交所主板上市，股票代码9880.HK，成为港股人形机器人第一股。

核心产品线分三个方向：

人形机器人：Walker X和Walker S是主力工业机型。Walker S已经进入吉利汽车工厂做质检，蔚来工厂也有部署。这不是PPT上的演示，是真实跑在产线上的商业落地。

教育机器人：Aelos系列面向中小学STEM教育，Jimu系列主打积木式编程机器人。这条线已经有成熟的销售渠道和营收。

AMR（自主移动机器人）：面向仓储和工厂物流场景，独立产品线。

上市之后，优必选的体系比未上市时更完善——薪资结构透明，期权兑现有清晰时间表，合规要求也更严格。

校招节奏（届）

优必选的校招规模不算大，每年全公司校招人数在百人量级，技术岗竞争激烈程度比BAT略低，但岗位数量也少，命中率并不高。建议海投时把优必选放在机器人/智能硬件公司的第一梯队。

核心招聘岗位

• 运动控制算法工程师：C++/Python，需要有控制理论或机器人学基础
• 感知算法工程师：计算机视觉，3D感知方向为主
• AI工程师（具身智能方向）：LLM集成、强化学习、Sim-to-Real
• 嵌入式工程师：C/C++，实时系统，对硬件底层有要求
• 后端工程师：Python/Go，机器人云端服务和数据平台

二、岗位JD解析：技术要求拆解

运动控制算法工程师

这是优必选最核心的技术岗位，门槛也最高。JD里通常会提到：

硬技能要求： - C++熟练，性能敏感代码有实际经验 - 了解刚体动力学或多体动力学 - 接触过全身运动控制（WBC）或MPC的优先 - 有MuJoCo、IsaacGym等仿真平台使用经验加分

软技能信号：JD里说"了解人形机器人运动控制挑战"，实际意思是——你需要知道ZMP是什么，知道脚底接触力怎么建模，知道为什么Walker在工厂里走路是个难问题。

AI工程师（具身智能）

这个方向是优必选近两年重点扩招的方向，和LLM的结合是重点。

核心要求： - 强化学习基础，PPO/SAC要会推导 - 了解Sim-to-Real迁移的常见方法（Domain Randomization等） - 有LLM应用开发经验（Tool Calling、Agent框架） - Python熟练，PyTorch为主

常见误区：很多同学以为AI工程师只需要会调大模型API，但在机器人公司，这个岗位的核心挑战是"如何让LLM的输出变成机器人的可执行动作"——这需要你同时懂语言模型和运动规划。

嵌入式工程师

• C语言扎实，熟悉实时操作系统（RTOS）
• 了解CAN总线、EtherCAT等工业通信协议
• 驱动开发或传感器接口有实际经验

三、LeetCode高频题Top 20（真实面经数据）

优必选面试的算法题整体难度在Medium为主，Hard题偶尔出现。面试官更关注你的代码质量、边界处理和解题思路，不会强求最优解，但一定要写出可运行的代码。

第一梯队：必刷（几乎每轮必考）

备考重点：LRU是优必选面经出现最频繁的设计题，要求手写完整实现。时间复杂度O(1)的写法（哈希表+双向链表）必须烂熟于心。

第二梯队：高频（大概率出现）

第三梯队：中频（有一定概率）

算法备考建议：优必选的算法题不卷，但对代码工程质量有要求——变量命名规范、注释清晰、边界case考虑周全。Medium题目写完之后，主动告诉面试官时间复杂度和空间复杂度，以及还有没有优化空间。

四、技术面试考点

C++深度考察

优必选的C++面试有几个必考点，不准备到位基本过不了技术一面。

多态原理（高频）

虚函数、虚函数表（vtable）、虚指针（vptr）是必考三件套。面试官会问：

• "派生类对象的内存布局是什么样的？"
• "虚析构函数为什么必要？"
• "CRTP（奇异递归模板模式）和虚函数多态有什么区别，分别适用什么场景？"

CRTP在实时控制代码里用得很多（避免虚函数调用的运行时开销），在机器人公司面试里出现频率比一般互联网公司高。

智能指针（高频）

shared_ptr的引用计数机制、weak_ptr解决循环引用、unique_ptr的移动语义——要能讲清楚实现原理，不只是会用API。

多线程与并发（高频）

// 这类问题在控制系统里很实际
// 面试官可能会问：如何设计一个线程安全的任务队列？
std::mutex mtx;
std::condition_variable cv;
std::queue<Task> task_queue;

// 要能说清楚：为什么用condition_variable而不是忙等？
// 虚假唤醒（spurious wakeup）怎么处理？

性能优化

内存对齐（alignas、alignof）、缓存行（cache line）友好的数据结构设计——在实时控制代码里这些不是面试题，是真实问题。面试官如果问"你写过性能敏感的C++代码吗"，要能举出具体例子。

具身智能方向（优必选特色考点）

这是和一般互联网公司面试差异最大的部分。

LLM集成到机器人

面试官喜欢问的开放题："如果让LLM控制机器人完成'去厨房拿一杯水'这个任务，你会怎么设计架构？"

标准答案框架： 1. LLM负责任务理解和高层规划（把自然语言指令分解成子任务序列） 2. Tool Calling接口定义（moveArm、graspObject、navigateTo等原子动作） 3. 低层控制器负责具体执行（运动控制、力控） 4. 反馈回路：执行状态反馈给LLM，遇到异常重新规划

强化学习基础

PPO（Proximal Policy Optimization）是人形机器人训练最常用的算法，面试至少要能说清楚： - Clip目标函数为什么能稳定训练 - Actor-Critic架构 - 奖励函数设计的难点（reward shaping）

Sim-to-Real迁移

"仿真里训练好的策略为什么在真机上不好用？"——这是面试必问问题。

核心方法：Domain Randomization（随机化仿真环境的物理参数，如摩擦系数、质量分布、传感器噪声），让策略学会在不确定性下鲁棒运行。

运动控制专项

即使是AI方向的候选人，优必选面试也可能涉及基础运动控制概念：

ZMP（零力矩点）稳定性：双足机器人保持稳定的核心指标，ZMP需要在支撑多边形内部。

MPC（模型预测控制）：在有限时间域内求解优化问题，实时性要求高。线性MPC在步态规划里应用广泛。

全身运动控制（WBC）：层次化二次规划，同时优化多个约束（接触力、关节限位、任务目标），是Walker系列机器人运动控制的核心技术。

如果你的背景是纯软件，这部分不需要深入，能说清楚基本概念和挑战就够了。如果投运动控制算法工程师，这部分要深入准备。

感知专项

3D点云处理：PCL库基础操作、点云滤波（VoxelGrid、PassThrough）、法向量估计、ICP配准。

6D姿态估计：机器人抓取的核心问题，估计目标物体的三维位置+三维姿态。GraspNet、FFB6D等方法要了解基本原理。

手眼标定：相机和机械臂末端的坐标变换关系，Eye-in-Hand和Eye-to-Hand两种配置要知道区别。

五、面经规律总结

根据整理的优必选面经，总结出以下规律：

面试轮次结构

通常是2-3轮技术面+1轮HR面：

• 技术一面：算法题（1-2道）+ C++基础 + 项目深问
• 技术二面：系统设计 + 领域专业问题（运动控制/感知/AI）
• 技术三面（部分岗位）：高阶技术讨论，通常是组长或总监
• HR面：职业规划、薪资预期

项目追问套路

优必选面试官非常喜欢追问项目细节，典型问法：

• "你说做了强化学习项目，奖励函数怎么设计的？遇到什么问题？"
• "Sim-to-Real有做过吗？迁移效果怎么样？怎么量化的？"
• "C++项目里有没有做过性能优化？具体优化了哪里，怎么测量的？"

准备建议：每个项目准备好"项目背景→你的具体贡献→遇到的最难问题→怎么解决→结果是什么"的完整叙述，不要只背结论，要能讲出过程中的取舍和挣扎。

商业化导向的考察

作为已经有工厂落地案例的公司，优必选面试官会考察你对工业场景可靠性的理解：

• "Walker在汽车工厂做质检，对可靠性有什么要求？如何保证？"
• "机器人在工厂场景里发生故障怎么处理？如何做降级策略？"

这类问题没有标准答案，考察的是你的工程思维——是否考虑过故障模式、是否有容错设计意识。

优必选面试风格特点

1. 问题有深度：不满足于"知道"，要求能讲清楚"为什么"和"怎么实现"
2. 开放题比例高：算法题之外，开放性技术讨论占比不小
3. 重视具身智能视野：会判断你对这个方向的热情和理解深度
4. 对实际项目经验敏感：有真实机器人项目经验的候选人明显加分

校招节奏

根据优必选的考察重点，建议如下备考节奏：

：C++深度强化

目标：把C++的核心原理讲清楚，不只是会用API。

每天重点： - ：内存模型（栈/堆/BSS段）、new/delete的底层实现 - ：虚函数/vtable/vptr，手画派生类内存布局 - ：智能指针实现原理，手写简化版shared_ptr - ：std::thread/mutex/condition_variable，线程安全队列实现 - ：CRTP模式、模板元编程基础、constexpr

验收标准：能给面试官画出一个有虚函数的派生类的完整内存布局，能手写线程安全的任务队列。

：算法专项

目标：把高频题目写熟，重点保证代码可运行。

• ：链表专题（206、21、23、LRU全部手写一遍）
• ：二叉树专题（102、94迭代、236、124）
• ：动态规划（53、1143、72、121）
• ：双指针+滑动窗口（3、15、42）
• ：图论+单调栈（200、739、297）

建议：不要只是看懂，要手写。LRU要默写到每次都能在内写完。

：具身智能专项

这是优必选和其他公司差异最大的备考方向，要认真准备。

• ：强化学习基础（Q-Learning → Policy Gradient → PPO推导）
• ：Actor-Critic架构，PyTorch手写简单RL训练循环
• ：仿真平台（MuJoCo/IsaacGym基本概念，看官方文档和Demo视频）
• ：Sim-to-Real迁移方法，Domain Randomization原理与实践
• ：LLM+Tool Calling在机器人任务规划中的应用，准备一个完整的架构设计方案

：运动控制基础

目标：能在面试中对这些概念做出合理的解释，不要求推导细节。

• ：刚体动力学基础，齐次变换矩阵，正/逆运动学
• ：ZMP稳定性分析，支撑多边形概念
• ：MPC基本框架，线性MPC求解流程
• ：WBC（全身运动控制）的层次化架构
• ：步态规划基础（CPG、swing/stance相位切换）

关键提示：如果投的是AI方向，可以压缩，把时间挪给。

：感知与抓取

• ：3D点云处理，PCL常用操作，深度图和点云的关系
• ：6D姿态估计基本方法，GraspNet论文基本思路
• ：手眼标定（Eye-in-Hand vs Eye-to-Hand），视觉伺服控制基本概念

：冲刺整合

• ：过一遍优必选面经，把出现过的问题逐一核查自己是否能回答
• ：系统设计专项——设计一个工厂机器人质检系统的软件架构（从传感器输入到决策输出的完整链路）
• ：模拟面试，限时完成一道LRU + 一道项目讲述，录音回放检查表达是否清晰

附录：优必选面试常见开放题

以下是整理的高频开放题，建议每道题都准备3-的回答：

1. "你怎么看待人形机器人在未来5年的商业化前景？有什么核心技术挑战？"

2. "LLM作为机器人大脑有什么优势和局限性？你会如何解决实时性问题？"

3. "如果一个机器人在工厂执行任务时遇到没见过的情况，应该如何设计它的行为？"

4. "Sim-to-Real迁移为什么难？你会用什么方法缩小仿真和现实的差距？"

5. "强化学习训练人形机器人行走，奖励函数怎么设计？你会考虑哪些因素？"

这类问题考察的不是标准答案，而是你的系统性思考和对领域的真实理解。准备的时候不要背答案，要真正想清楚，能举出具体例子或引用真实技术细节。

特别说明：优必选是一家真正在做人形机器人商业落地的公司，Walker在吉利、蔚来工厂的部署是有据可查的事实。如果你对具身智能方向有真实兴趣，面试前花时间看优必选的技术博客和官方视频，这种真实的兴趣面试官能感受到，是加分项。