Zoox VO 2026 面試流程深度複盤｜Robotaxi 全棧面試 5 大環節 + 真題分析

Zoox 是亞馬遜旗下的 Robotaxi 公司，2026 Q1 起在 Foster City 與 Las Vegas 已開放第一批 paid rides。這家公司在自動駕駛賽道有個非常特別的屬性：自研整車 + 自研全棧軟體——所以它的面試範圍比 Waymo / Cruise 更廣，C++ 嵌入式、ML perception、ROS-style 通訊框架都可能被問。

本文基於 2026 年三位候選人的 onsite 複盤（Perception SDE / Planning SDE / Embedded Systems），系統拆解 Zoox 的 5 個面試環節，並給出 2 道高頻 coding 真題的完整解法。

Zoox 面試流程總覽

階段	時長	內容
1. Recruiter Phone Screen	30 min	履歷、為什麼 Zoox、職缺匹配
2. Hiring Manager Chat	45 min	專案深挖 + 跨團隊協作經歷
3. Technical Phone Screen	60 min	1 道 C++/Python coding（CoderPad）
4. Onsite Loop	5 × 60 min	Coding × 2、系統/Robotics 設計、ML 專項、BQ
5. Team Match	1-2 週	不重新面，只是匹配團隊

Zoox 與 Waymo 最大差異：Coding 題偏向系統工程而非純演算法——例如「實作一個容忍 200ms 的感測器流時間對齊」，而不是 LeetCode 風格的「兩數之和」。

Coding 真題 1：感測器時間同步（LiDAR + Camera）

題目描述

兩路時間戳資料流：

LiDAR 包：(ts_l, point_cloud)，10 Hz
Camera 幀：(ts_c, image)，30 Hz

對每一個 LiDAR 包，找到時間戳最接近的 Camera 幀，要求時間差 ≤ 50 ms，否則跳過該 LiDAR 包。最終回傳所有匹配對。

資料可能亂序到達，需要線上（streaming）處理。

解題思路

這是一道典型 Zoox 風格題——表面像 LC Two Pointer，但加了 streaming、reorder、tolerance 三個真實工程約束。

用 deque 維護 camera buffer：丟棄比目前 lidar 早 50 ms 的幀
對每個 lidar 包，等到出現一個比它晚的 camera 幀才決定
用 heap 處理亂序：緩衝 200ms 視窗後才 pop

Python 解法

from collections import deque
import heapq

class SensorSync:
    def __init__(self, tolerance_ms=50, reorder_window_ms=200):
        self.tol = tolerance_ms
        self.window = reorder_window_ms
        self.cam_buf = deque()
        self.lidar_q = []
        self.matched = []

    def push_camera(self, ts, frame):
        self.cam_buf.append((ts, frame))
        self._gc(ts)

    def push_lidar(self, ts, packet):
        heapq.heappush(self.lidar_q, (ts, packet))
        self._gc(ts)

    def _gc(self, now_ts):
        while self.cam_buf and now_ts - self.cam_buf[0][0] > self.window:
            self.cam_buf.popleft()
        while self.lidar_q and now_ts - self.lidar_q[0][0] > self.window:
            ts_l, packet = heapq.heappop(self.lidar_q)
            self._match_one(ts_l, packet)

    def _match_one(self, ts_l, packet):
        best = None
        best_diff = self.tol + 1
        for ts_c, frame in self.cam_buf:
            diff = abs(ts_c - ts_l)
            if diff <= self.tol and diff < best_diff:
                best, best_diff = (ts_c, frame), diff
        if best is not None:
            self.matched.append((ts_l, packet, best[0], best[1]))

    def flush(self, max_ts):
        self._gc(max_ts + self.window + 1)
        return self.matched

時間複雜度：每事件 O(W) 追問：怎麼把 _match_one 降到 O(log W)？答：用 SortedList 依 ts_c 索引，做 lower/upper bound 二分。

Coding 真題 2：路徑點平滑（Trajectory Smoothing）

題目描述

給定 Planner 輸出 waypoints [(x, y, t)]，因離散決策抖動，相鄰點速度可能突變。要求滑動視窗加權平滑：

視窗大小 k（奇數）
中心點權重最大，向兩側線性遞減
邊界用最近點鏡像延伸

只能線上維護，每來一個 waypoint 輸出一個平滑點。

解題思路

經典加權平均，加上 Zoox 實務需求：

線上 → deque 維護最近 k 點
權重歸一化，避免邊界除以 0
平滑必須保持單調時間戳，否則下游 controller 會震盪

Python 解法

from collections import deque

class TrajectorySmoother:
    def __init__(self, window=5):
        assert window % 2 == 1
        self.k = window
        self.half = window // 2
        self.buf = deque()
        self.weights = [self.half + 1 - abs(i - self.half) for i in range(window)]

    def push(self, x, y, t):
        self.buf.append((x, y, t))
        if len(self.buf) > self.k:
            self.buf.popleft()
        return self._smooth()

    def _smooth(self):
        pts = list(self.buf)
        if len(pts) < self.k:
            pad = self.k - len(pts)
            left = pad // 2
            right = pad - left
            pts = [pts[0]] * left + pts + [pts[-1]] * right
        wsum = sum(self.weights)
        sx = sum(p[0] * w for p, w in zip(pts, self.weights)) / wsum
        sy = sum(p[1] * w for p, w in zip(pts, self.weights)) / wsum
        return (sx, sy, pts[self.half][2])

時間複雜度：每 waypoint O(k) Zoox 加分項：主動提到 B-spline、Savitzky-Golay 作為後續優化，會讓 Planner 團隊面試官眼前一亮。

Robotics 系統設計高頻題

題目	考察點
設計 Robotaxi E-Stop（緊急停止）鏈路	安全冗餘、雙通道仲裁
多 sensor 資料如何在 ROS-style topic 分發	Pub/Sub、QoS、Back-pressure
1TB/小時 log 回放系統	分片儲存、時間索引、降採樣
HD Map fleet 內增量分發	Delta 同步、簽章驗證

白板上畫「actor + topic」——Zoox 內部就是 actor-based 框架（LCM/ROS2 風格）。

ML / Perception 專項

Perception 候選人會有一輪純 ML 理論 + 工程：

3D Object Detection（PointPillars、CenterPoint、BEVFusion）原理
推理優化：TensorRT、量化、ONNX 轉換坑
資料增強：自動駕駛場景如何做「夜間合成」「下雨合成」
Active Learning：億級 frame 中如何挑要標的樣本

問最細的是 evaluation metrics——mAP vs NDS（nuScenes），以及「為什麼 NDS 加權 5 個子指標」。

Behavioral / 價值觀

Zoox 文化關鍵字：

Customer Obsession（亞馬遜 DNA）
Earn Trust — 跨團隊衝突如何解決
Are Right, A Lot — 哪個決策被證明錯誤、如何修正
Frugality — 怎麼用最小代價驗證 risky idea

每個 BQ STAR 結構 + 3 分鐘內，留時間給面試官追問「如果換另一種方案」。

FAQ

Q1：Zoox 與 Waymo / Cruise 面試難度對比？

演算法純度：Waymo > Cruise > Zoox 工程實務：Zoox > Waymo > Cruise Zoox 的題更接近「明天上車的程式碼」。純 ML 研究背景的候選人，可能在第 4 輪工程化問題卡住。

Q2：Zoox 2026 還在 hiring freeze 後嗎？

2026 Q1 完成 Foster City 商業化首發，目前 Perception / Planning / Vehicle Software 三個團隊仍積極招人，但 Mapping 和 Cloud 名額收緊。申請前建議查 LinkedIn。

Q3：onsite 全部 Zoom 還是現場？

混合：Tech screen 全線上，onsite 預設現場（Foster City），公司報銷機票飯店。偏遠地區候選人可協商改 Zoom，但接受率約 60%。

Q4：用什麼語言寫 coding？

Robotics / Perception / Planning 強烈推薦 C++。 Cloud / Infra / Simulation 可用 Python。 ML Research 用 PyTorch + Python 即可。

Q5：如何準備 ROS / 自動駕駛基礎？

從零開始：

讀 ROS2「Concepts」章節（2 小時）
跑通 Autoware.Auto demo（半天）
讀 Apollo Planning 開源（1 週）
看 nuScenes / KITTI README（半小時）

之後就能聊 publisher/subscriber、TF tree、launch file，足以通過 Zoox 基本盤。

Q6：Zoox 招 new grad / intern 嗎？

招。整車工程 + Robotics 背景的 PhD 優先級最高，純 SWE new grad 主要進 Cloud / Tools / Simulation。Intern 每年約 30 人，2025 conversion rate 約 50%。

正在準備 Zoox / Waymo / Cruise 自動駕駛面試？

自動駕駛面試同時考演算法深度 + 系統工程感，純刷題已遠遠不夠。我們整理了五家公司 2026 真題題庫，與 Perception / Planning / Embedded 三大方向的備考路徑，歡迎聯繫。

加微信 Coding0201，取得 Robotaxi 面試真題包。

聯絡方式

Email: [email protected] Telegram: @OAVOProxy