大家在准备招聘中会遇到各种问题，我们整理一下大家可能最关注的一个问题，做了一下整理回答：

“

985专硕，21届毕业生，目前没得论文，做过无人机定位的相关项目，ros之类的东西用的还比较熟吧，slam方面，十四讲看完了，vins跑过了但是代码论文没看得很透彻，目前在撸手写vio那门课，之后准备改改vins的代码结合到实验室无线定位的项目里去，想知道这水平继续学习到明年秋招能不能找到slam方向的工作？求大神指点一二

”

深蓝学院邀请“白巧克力”贺一家博士对该问题进行了回答，同时结合学院与诸多企业合作过程中了解到的信息，展开陈述一下。

1.学校背景是否是该领域算法岗的必要条件？

近期，学院又一位双非高校的优秀学员（本科硕士都是双非），拿到了国内机器人领域独角兽企业offer，薪资还不错。双非高校的学生找到心仪算法岗的案例，已经很多了。虽然学校背景依然是企业较为看重的，但现在已不是必要条件了，因此，双非高校的同学不要气馁，名校的同学也不要大意。

其中原因之一是，关于SLAM以及多传感器融合等方向，大部分科班的同学所在的实验室并没有特别深厚的积累和传承（国内在这个领域做得深入的实验室屈指可数），往往是导师安排了这个科研方向，但导师并不熟悉，只能自己自学，这一点上双非与名校没有太大区别。深蓝学院的同学中有很多来自国内顶级名校以及国外留学的中国学生，也侧面验证了上述现象。

再者，现在相关的线上课程、博客、书籍等，较为丰富了，相比于4年前，大大降低了该领域的入门门槛。即使双非高校的同学，只要基础知识扎实、专业知识过硬、编程能力出色、有敢于直面问题的勇气以及解决问题的能力，还是非常受企业欢迎的。

2. 企业是如何从领域专业的层面将该领域候选人分档的？

企业HR通过层层面试，会将候选人进行分档，优先将offer给最高档的候选人，有些中间档的候选人并不能直接拿到offer，而是先要求去实习（有转正机会），低档候选人是直接被拒的。那么问题来了，站在招聘侧的角度，是如何对求职侧的候选人进行分档的呢？

（1）A+ 类，候选人理论基础非常扎实，在 SLAM 的某个领域有所建树，做的项目非常 solid（上线过项目、提升过某 SLAM 系统的性能、发过顶会论文）, 企业本身也亟需这类技术。这类人通常称为 " offer 收割机"。

（2） A 类，候选人理论基础非常扎实，基于某些 SLAM 框架做过深度开发和改进，知识面丰富且代码能力不错，能快速介入项目。这类候选人应该能进入各类大厂。

（3）B+类，候选人理论基础扎实，熟悉各类开源 SLAM 框架（如 ORB-SLAM, VINS等），代码能力还行，给予一定指导后能快速承担 SLAM 模块的独立开发。这类候选人能进入一些大厂或明星创业企业。

（4）B 类，候选人理论基础还行，熟悉某个开源框架，代码一般，需要一定的时间才能上手项目。这类候选人往往会被拒掉，运气好一些的话，可能有机会进入小厂。

注：非常扎实的理论基础是指特征提取、几何表示、雅可比、高斯牛顿等信手捏来，开源框架 orbslam, vio等非常熟悉。

3. 除了硬实力，企业还看重候选人哪些软实力？

（1）逻辑思维清晰，面试过程中表达调理清楚。做项目的动机明确，解决什么问题，提出什么方法，取得了什么结果。

（2）良好的品格，踏实且努力，友善且真诚。

（3）认可和热爱这个行业，有较强的自驱力。

4. 不停地自我升级

刚才提到，这个领域的入门门槛在降低，绝大部分合格的候选人都已经有良好的理论知识，也熟悉某个开源框架了。如果我们想要在这个领域脱颖而出，需要比别人更进一步，多一些实际操作或理论积累，这不仅仅是你学习某个两年前已有的框架，而是去复现论文，提升已有框架并应用框架。具体的：

（1）多传感器融合类：VIO 理论以及熟悉一套开源框架是基础，我们还应该熟悉最新的论文以及实际动手做一些项目，改进某个代码。如最近的 IROS 和 ICRA 目前都在做基于 Visual-Inertial-Odometery 或者 visual-inertial-gnss 等多传感器的融合，不再仅仅是 visual-inertial。

（2）深度学习类：基于深度学习的图像闭环、特征提取和匹配、深度估计等。熟悉 superpoint, hf-net, monodepth2, d3vo等最新的研究，自己动手复现论文或改进开源代码。

小伙伴们！

越努力，越幸运！