📚 课程目录第2章控制算法基础高频问题

2. 控制算法基础高频问题

本章聚焦面试中最常出现的三类问题：项目经验阐述、算法原理对比、工程难点解决。通过掌握结构化答题框架，结合不同公司的技术侧重点，将零散经验转化为系统表达。本章提供三张问答卡片、一张回答路径图和一份公司侧重点速查表，帮助你在面试中稳定输出高质量回答。

“请介绍一下你在控制算法方面最有代表性的一个项目。”

    面试官考察点
    项目真实性（是否能清晰描述场景和自身角色）
算法选择逻辑（为什么选某种方法而非其他）
工程落地能力（参数调试、性能指标、边界处理）
复盘意识（遇到什么困难，如何改进）

  

STAR 结构：
S（情境）→ T（任务）→ A（行动）→ R（结果）→ L（反思/可迁移点）

“在高速领航项目中，我负责横向控制。原有PID在弯道超车时稳态误差大。我引入MPC，基于车辆动力学模型预测1.5秒轨迹，优化控制序列。通过实车标定，弯道跟踪误差从25cm降至8cm，通过率从85%提升至96%。核心经验：模型预测控制对非线性曲率有天然补偿作用。”

⚠️ 避坑提醒

“请对比PID控制和MPC在车辆横向控制中的优缺点。”

    面试官考察点
    对经典算法和现代控制理论的系统理解
能否结合实际应用场景（低速 vs 高速、直道 vs 弯道）
是否了解工程折中（计算量、调参复杂度）

  

对比维度法：
① 原理差异 → ② 适用场景 → ③ 性能对比（精度、稳定性、鲁棒性）→ ④ 工程代价（算力、调试）→ ⑤ 选型原则

“PID结构简单、调参直观，适合直线或小曲率路段，但在高速弯道有延迟。MPC基于模型预测未来状态，能提前控制转向，精度高、鲁棒性强，但计算量大，需要硬件支持。工程上常用PID做低速泊车、MPC做高速巡航，也可结合串级控制。”

⚠️ 避坑提醒

“控制系统中常见的延迟来源有哪些？你如何设计和补偿？”

    面试官考察点
    对系统时延的全局认知（感知→决策→控制→执行）
工程补偿方法（前馈、状态预测、缓存机制）
实际调试经验（标定、滤波、鲁棒性设计）

  

问题-分析-方案-验证结构：
① 列举延迟来源（传感器采样、通信、计算、执行器响应）
② 量化典型延迟量级（例如20-100ms）
③ 补偿方法：预测补偿（模型预测）、前馈补偿（标定曲线）、滤波去噪
④ 验证手段：仿真注入延迟 + 实车对比

“我们项目感知延迟约30ms，控制计算约15ms，转向执行约40ms。我采用两步补偿：一是基于车辆模型预测未来状态作为MPC输入；二是对执行器响应做一阶滞后模型标定。最终将方向指令发出到实际转角到位的时间差控制在10ms内，路径跟踪精度提升40%。”

⚠️ 避坑提醒

公司/方向	技术偏好	面试高频考点	回答问题加分点
百度 Apollo	MPC + 强化学习 / 搜索	模型预测、约束处理、规划与控制耦合	强调代码实现（C++/ROS），MPC求解器优化
滴滴 / 自动驾驶	PID + 自适应 + 非线性	鲁棒性、标定流程、实车调试	突出数据驱动调参和实车标定经验
小鹏 / 蔚来	MPC + 线性时变 + 观测器	状态估计、动力学建模、安全约束	强调多传感器融合下的控制可靠性
华为模式	预测控制 + 强化学习	延迟补偿、软硬约束、系统稳定性	提到端到端仿真 + HIL验证经验

结构名称	适用场景	核心要素
STAR-L	项目经验、解决问题类	情境 (Scenario)、任务 (Task)、行动 (Action)、结果 (Result)、反思 (Learn)
对比维度法	算法原理、优劣势问答	原理差异 → 性能对比 → 工程代价 → 选型原则
问题-分析-方案-验证	工程挑战、系统设计类	明确问题 → 原因分析 → 具体方案 → 验证方法
因果链	追问深入、刨根问底	从现象到根因，一层层推导，最后回归系统

💡 面试建议： 建议在回答前先花3秒选择最匹配的答题结构，再将内容填入框架。实际面试中，面试官更在意逻辑连贯性而非信息量。练习时可以用录音回听，检查是否每个环节都闭环。