2. 规划算法基础高频问题
本章聚焦规划算法面试中的典型问题类型、结构化回答方法以及不同公司的考察偏好。掌握统一的答題框架，能让你在高压环境下稳定输出清晰、有深度的技术表达。
公司侧重点对比表
不同团队在规划算法面试中的考察维度有明显差异，提前了解能帮你更精准地组织回答。
| 公司/团队 | 核心侧重点 | 常见追问方向 |
|---|---|---|
| 百度Apollo | 体系化思维、多模块配合、计算效率 | EM Planner细节、轨迹平滑、接口设计 |
| 小鹏汽车 | 场景驱动、数据闭环、长尾问题 | Corner case处理、仿真回灌、场景泛化 |
| Tesla | 端到端、实时性、决策规划融合 | 端到端训练、延迟优化、行为预测融合 |
| Momenta | 数据驱动、可解释性、安全冗余 | 安全约束、冗余架构、失败模式分析 |
💡 答题核心策略：在任何回答中，先展示理论深度，再落地到工程实践，最后点明迁移价值。避免只有理论或只有项目流水账。
📌 面试问题
“请简述自动驾驶规划算法工程师的主要工作内容。”
面试官考察点
对岗位职责的理解、技术栈广度、工程落地的意识。
对岗位职责的理解、技术栈广度、工程落地的意识。
回答框架
1. 核心职责概述（路径规划、行为决策、轨迹优化）
2. 具体工作示例（以参与过的项目为支撑）
3. 与上下游模块的协作（感知、预测、控制）
1. 核心职责概述（路径规划、行为决策、轨迹优化）
2. 具体工作示例（以参与过的项目为支撑）
3. 与上下游模块的协作（感知、预测、控制）
简短示例回答
“我主要负责行为决策与轨迹规划。在Apollo项目中，基于EM Planner实现多车道交互决策，输出平滑轨迹。同时负责仿真验证，处理拥堵、切入等场景，确保算法在实车中的稳定性和舒适性。”
可能追问
“如何评估轨迹质量？”“你遇到过哪些典型的规划失败案例？”
⚠️ 避坑提醒 不要只罗列名词（“我做了A*、RRT…”），要突出你做了什么决策、解决了什么问题。
📌 面试问题
“对比A*和RRT算法，实际工程中如何选择？”
面试官考察点
算法原理理解深度、权衡取舍思维、工程场景敏感度。
算法原理理解深度、权衡取舍思维、工程场景敏感度。
回答框架
1. 核心区别：确定性搜索 vs 概率采样
2. 适用场景：结构道路 vs 非结构空间
3. 工程改进：Hybrid A* / RRT* + 平滑
1. 核心区别：确定性搜索 vs 概率采样
2. 适用场景：结构道路 vs 非结构空间
3. 工程改进：Hybrid A* / RRT* + 平滑
简短示例回答
“A*保证最优解但高维计算大，适合结构化道路；RRT可快速覆盖高维空间但路径非最优。我通常在城区采用Hybrid A*结合Reeds-Shepp曲线，在停车场泊车场景使用RRT*后再进行B样条平滑。”
可能追问
“RRT*的收敛速度如何改进？”“如何处理动态障碍物下的重规划？”
⚠️ 避坑提醒 不要只背概念，要结合项目中的具体参数（如搜索步长、采样次数）说明选择理由。
📌 面试问题
“请谈谈规划中实时性与安全性的平衡方案。”
面试官考察点
系统思维、约束处理方法、工程落地经验。
系统思维、约束处理方法、工程落地经验。
回答框架
1. 分层架构：行为决策保证安全逻辑，轨迹优化追求效率
2. MPC中的软硬约束设计
3. 安全缓冲与紧急降级策略
1. 分层架构：行为决策保证安全逻辑，轨迹优化追求效率
2. MPC中的软硬约束设计
3. 安全缓冲与紧急降级策略
简短示例回答
“采用行为层FSM保障安全边界，轨迹层用MPC在约束内求解。权重上优先保证碰撞约束，再考虑效率。同时设置0.5s安全缓冲，当求解超时或约束冲突时触发紧急制动。”
可能追问
“MPC的优化目标如何定义？”“预测不确定性如何影响规划？”
⚠️ 避坑提醒 不要只谈理论，要给出具体数值（如安全缓冲时间、权重比例），并说明实车验证情况。
🎯 本章可迁移话术
“在面对这类问题时，我通常先拆解问题背后的核心约束（如计算资源/安全等级），再用分层或模块化的思路给出方案，最后用项目中的实际数据证明可行性。” —— 这句话可以在多个技术问题中复用。
“在面对这类问题时，我通常先拆解问题背后的核心约束（如计算资源/安全等级），再用分层或模块化的思路给出方案，最后用项目中的实际数据证明可行性。” —— 这句话可以在多个技术问题中复用。