Figure Helix Data Infrastructure 面经:时间戳一对一配对、数据集切分、机器人数据回传

Figure Helix AI Engineer, Data Infrastructure 面经:pair programming 做相机帧和关节数据一对一配对,code review 抓数据集切分泄漏,system design 设计只能充电时上传的机器人数据回传。

FigureHelix AI Engineer, Data Infrastructure更新于 2026年11月19日3 分钟阅读
English
分享

面经 | Data Infra | 🔥🔥🔥 | Figure

2026(10-11月) Helix AI Engineer, Data Infrastructure @ Figure | San Jose, CA · Final round · 3 轮 | Hard

Round 1 — Pair Programming

两个工程师,Python,共享编辑器。

题目:一段录像里有两路数据,相机帧时间戳 frames 和关节状态时间戳 joints,都是升序的整数,单位毫秒。

第一问:每一帧找时间上最近的那个关节采样,返回下标;一样近取早的。

frames = [10, 25]
joints = [8, 12, 30]
-> [0, 2]     10 离 8 和 12 一样近,取 8;25 离 30 最近

双指针,关节指针只往前走。跑他的 case,最后一帧指针越界了一次,补了个边界判断。

第二问:加一个容差 tol,|dt| > tol 不算配上;每个关节采样只能配给一帧,训练那边要一一对应。最多能配上几帧?

frames = [6, 8], joints = [4, 7], tol = 2
6 配 4,8 配 7,答案 2

我顺着第一问写:每帧挑最近的、还没被用掉的。他直接拿上面这个 case:6 离 7 更近,把 7 拿走了,8 就没得配,只有 1。

后来改成按帧顺序,每帧拿「还能配上的里面最早的那个」:先把 < f - tol 的关节跳掉,剩下第一个如果 <= f + tol 就配。早的关节后面的帧更用不上,晚的留给后面。他让我说为什么对,讲了个交换:最优解里某帧要是配了更晚的那个,换成最早能配的,后面不会变差。讲得有点绕,他说 OK。

第三问:配上的数量最多的前提下,让 |dt| 总和最小。说了最优配对不会交叉,可以 DP,dp[i][k] 表示前 i 帧、前 k 个关节,O(nm)。他问能不能更快,两路都很长。想了一会没想出来,时间到了。

Round 2 — Code Review

一个工程师,给一个 PR,让我当 reviewer 留 comment。不用跑,看代码说问题。

题目:PR 是给训练准备数据的两个函数。

  • make_splits(clips, val_ratio):把 clip 随机打乱,按比例切成 train / val
  • build_sampler(clips):每个 clip 权重 1 / count[clip.task],想让每种任务被采到的概率差不多

clip 是从 episode 里按固定长度切出来的片段,一个 episode 能切出很多 clip:

episode A(叠衣服)-> a1 ... a40
episode B(擦桌子)-> b1, b2, b3

我先挑了 duration == 0 那行,说 float 不能这么比。他说 duration 是整数纳秒,没问题。白花了几分钟。

真正的问题在切分。按 clip 随机切,a1 进 train、a2 进 val,前后就差几秒,几乎一样,val 分数会虚高。至少按 episode 切。他接着问按 episode 够不够:同一台机器人、同一个厨房、同一天录的 episode 也很像。说了按 (robot, 场景, 日期) 分组,一组只能整个在一边。

权重那个:1 / count[task] 按 clip 数算,任务之间是平衡了,但任务内部 A 这种长 episode 还是占大头。问他要平衡的是任务还是 episode,他说都要,改成三层:先按任务,再按 episode,episode 里再均匀。

还有一处 clips.sort(...) 原地排序,clips 是从缓存里拿的同一个 list,会改到别人手里的数据。这个是他提示「看看参数从哪来的」我才看到。

最后问:标签修过一版以后,旧模型在旧 val 上的分数还能不能和新的比。说了 val 固定成一个 manifest,按版本存。标签版本和 manifest 怎么对应,没说完。

Round 3 — System Design

设计机器人数据回传:每台机器人每天本地录的数据远超能传上去的量,只有充电的时候能联网上传。

要求:

  • 训练要用的数据尽快上来
  • 研究员能事后要「某个事件前后」的原始数据
  • 机器人盘满了要删,但没确认到云端的不能删

先画的是机器人上一个上传队列,按录制时间 FIFO 往对象存储传,云端记一张 episode 表。他说带宽只够传一小部分,FIFO 等于随机丢。

改成两层。元数据先传:时间、任务、事件标记、低分辨率缩略图,量很小,每次充电都传得完。原始数据留在机器人上按优先级传,优先级两个来源:机器人自己标的事件(摔倒、急停、抓取失败)前后一段自动置顶;研究员在云端看了元数据,下发 pull request 拉某一段。

我说传完就删本地。他问「传完」怎么算,我说接口返回 200。他说分片上传最后一片 200 不代表整个对象写好了。改成云端 complete 以后校验 checksum、写进 episode 表,再回一个确认,机器人收到确认才标记可删。

删的顺序:已确认的先删,再删没人要、优先级低的。被 pull request 或事件 pin 住的不删。

他问研究员要三天前的一段,机器人已经删了怎么办。说这就是元数据要先上来的原因,元数据里带「本地还在不在」,删了就标掉,研究员只能要还在的。

最后:各组都在 pin,pin 住的比盘还大怎么办。说了按团队配额,超了先放最老的。配额怎么定、谁拍板,没讲完。


找岗位和投递那一步,可以用 LandOffer.ai,它汇总各家公司的职位,申请表也能免费自动填。