2. 端到端自动驾驶技术栈高频问题
第 2 章
端到端自动驾驶技术栈高频问题
感知 · 预测 · 规划 · 控制 · 端到端模型 · 数据闭环 · 仿真 · 部署
📌 本章核心： 端到端自动驾驶技术栈面试中，面试官会围绕“感知→预测→规划→控制→端到端模型→数据闭环→仿真→部署”全链路提问。你需要展示对模块间耦合关系的理解，以及从数据驱动到车端落地的闭环思维。以下 3 个高频问答卡片覆盖核心概念与回答框架，配合一张回答框架图，帮你快速建立结构化应答逻辑。
图 2-1 端到端自动驾驶技术栈回答框架：从模块解耦到端到端闭环
请介绍端到端自动驾驶中感知、预测、规划、控制模块的职责与耦合关系，并说明端到端模型如何改变传统架构。
面试官考察点
- 对自动驾驶经典模块化架构的理解深度
- 能否清晰说明各模块的输入输出与依赖关系
- 对端到端模型优势与挑战的认知（可解释性、安全兜底、数据需求）
- 是否具备系统级思维，而非孤立地背诵模块定义
回答框架
- 模块职责：感知输出BEV/占用栅格；预测输出他车/行人轨迹；规划生成自车轨迹；控制跟踪轨迹并输出油门/刹车/转向。
- 耦合关系：感知误差会传播到预测与规划，预测不确定性影响规划保守程度，控制延迟影响跟踪精度。
- 端到端改变：用统一网络直接输出轨迹或控制量，减少模块间信息损失，但需解决可解释性、安全兜底与数据闭环效率问题。
简短示例回答
传统架构中感知输出BEV特征，预测生成多模态轨迹，规划做行为决策与轨迹优化，控制跟踪轨迹。端到端模型将感知到控制统一为可微分网络，减少手工接口与信息损失，但需引入安全兜底与可解释性模块，并依赖大规模数据闭环迭代。
可能追问
端到端模型如何处理多模态输入？
如何保证端到端模型的安全性？
模块化与端到端如何取舍？
避坑提醒
⚠️ 不要只罗列模块定义，要强调模块间的误差传播与耦合。避免说“端到端完全取代模块化”，应表达“端到端是演进方向，但安全兜底与可解释性仍需模块化思维”。
数据闭环在端到端自动驾驶中如何运作？请描述从车端回传到模型迭代的完整链路，并说明仿真在其中的作用。
面试官考察点
- 对数据驱动开发范式的理解
- 能否清晰描述数据闭环各环节（触发、回传、挖掘、标注、训练、部署）
- 仿真在闭环中的定位：场景生成、回归测试、corner case 挖掘
- 对数据效率与标注成本的思考
回答框架
- 触发与回传：车端基于置信度低、接管、碰撞等事件触发数据回传。
- 挖掘与标注：云端用主动学习筛选高价值样本，半自动标注+人工校验。
- 训练与仿真：模型训练后先在仿真中做闭环回归，验证通过再部署到车端。
- 仿真作用：生成极端场景、加速测试、安全验证，降低实车路测成本与风险。
简短示例回答
数据闭环从车端触发回传开始，云端通过主动学习挖掘高价值场景，半自动标注后加入训练集。模型训练后在仿真中做闭环回归与corner case测试，通过后OTA部署。仿真能低成本生成极端场景，加速迭代并降低实车风险。
可能追问
如何设计触发回传策略？
仿真与实车测试如何互补？
如何评估数据闭环效率？
避坑提醒
⚠️ 不要只讲“采集-标注-训练”泛泛流程，要突出触发机制、主动学习与仿真闭环。避免忽略仿真在安全验证中的不可替代性。
端到端模型部署到车端面临哪些挑战？请从模型压缩、推理优化、安全兜底三个角度说明你的解决思路。
面试官考察点
- 对车端算力、功耗、实时性约束的理解
- 模型压缩与推理优化实战经验（量化、剪枝、知识蒸馏、TensorRT）
- 安全兜底机制设计（规则后处理、冗余监控、影子模式）
- 能否平衡性能与安全
回答框架
- 模型压缩：量化（FP16/INT8）、结构化剪枝、知识蒸馏，在精度损失可控前提下降低计算量。
- 推理优化：使用TensorRT/ONNX Runtime，算子融合、内存复用、多流并行，满足实时性。
- 安全兜底：规则后处理校验轨迹可行性，冗余监控模块检测异常，影子模式持续对比。
简短示例回答
车端部署先做量化与剪枝压缩模型，再用TensorRT做算子融合与内存优化保证实时性。同时保留规则后处理校验轨迹安全边界，并部署冗余监控模块检测模型异常输出，通过影子模式持续对比线上与离线表现，确保安全兜底。
可能追问
量化后精度下降如何补偿？
如何设计影子模式？
车端算力有限时如何取舍？
避坑提醒
⚠️ 不要只谈模型压缩技术，忽略安全兜底与实时性约束。避免说“量化后精度几乎无损”，应客观说明需要校准与微调。