- 对自动驾驶全链路（感知→预测→规划→控制→仿真→数据闭环）的系统性理解
- 能否清晰描述模块间的数据流与依赖关系，而非孤立罗列
- 是否具备工程闭环思维，理解数据驱动迭代的价值
4. 驾驶智能体技术栈与知识图谱
第4章 · 驾驶智能体技术栈与知识图谱
感知 · 预测 · 规划 · 控制 · 仿真 · 数据闭环
本章核心：驾驶智能体算法工程师需要建立从传感器到执行器的全链路认知。面试官不仅考察你对单一模块（如感知或规划）的深度，更关注你能否将感知、预测、规划、控制、仿真、数据闭环串联成完整的技术栈，并理解各模块之间的数据流与依赖关系。本章通过3个高频问答与1个真实项目模板，帮你构建体系化回答框架。
图4-1 驾驶智能体技术栈能力模型 · 六模块闭环关系
请介绍驾驶智能体的完整技术栈，并说明各模块如何协同？
面试官考察点
回答框架
- 总述：驾驶智能体是“感知-预测-规划-控制”的实时闭环，仿真与数据闭环驱动迭代。
- 分层展开：感知输出环境表征 → 预测生成他车/行人轨迹 → 规划决策路径 → 控制执行油门/转向/制动。
- 闭环强调：仿真验证规划控制策略，数据闭环回流 corner case 反哺感知与预测模型。
- 协同关键：模块间接口定义（如预测输出轨迹给规划）与时间同步。
简短示例回答
驾驶智能体技术栈以感知为起点，输出障碍物与车道线；预测模块生成他车未来轨迹；规划模块结合预测结果与地图做出决策；控制模块将轨迹转化为油门、刹车和转向指令。仿真模块在虚拟环境中验证全链路，数据闭环则将实车 corner case 回流，持续迭代感知与预测模型，形成“数据-训练-部署-回传”的飞轮。
可能追问
感知和预测的接口数据格式是什么？
规划模块如何评估预测的不确定性？
数据闭环中如何筛选高价值数据？
仿真测试的置信度如何保证？
避坑提醒
⚠️ 避免：只罗列模块名称，不解释数据流和依赖关系；忽略仿真与数据闭环的反馈作用；把预测和规划混为一谈。
在数据闭环中，如何设计从实车到仿真的数据回流机制？
面试官考察点
- 对数据闭环工程落地的理解，包括触发、采集、标注、训练、部署全流程
- 能否结合具体场景（如接管、急刹、碰撞）说明数据筛选策略
- 对仿真场景重建与泛化能力的认知
回答框架
- 触发机制：基于规则（接管、AEB触发）或模型不确定性（预测方差大）筛选数据。
- 数据采集与标注：车端记录传感器原始数据与系统状态，云端自动预标注+人工精标。
- 仿真重建：将实车场景转化为仿真场景，支持参数扰动与泛化测试。
- 训练与部署：更新模型后通过仿真回归测试，再灰度部署到车端。
简短示例回答
数据回流机制以“触发-采集-标注-训练-部署”为主线。触发层通过接管、急刹、碰撞等事件或模型不确定性筛选高价值数据；车端记录原始传感器数据与系统状态，上传云端后自动预标注并人工精标；随后在仿真中重建场景并做泛化扰动，用于模型训练与回归测试；最后通过灰度发布部署到车端，形成闭环。
可能追问
如何定义“高价值数据”？
仿真场景重建的精度如何评估？
数据闭环的迭代周期是多久？
如何避免数据偏差导致模型过拟合？
避坑提醒
⚠️ 避免：只谈“采集数据训练模型”而忽略触发策略和仿真验证；把数据闭环等同于简单的数据标注；忽略车端与云端的协同。
预测模块与规划模块的接口设计有哪些关键考量？
面试官考察点
- 对预测输出表征（轨迹、概率、多模态）的理解
- 规划模块如何消费预测结果并处理不确定性
- 接口设计对系统实时性和安全性的影响
回答框架
- 预测输出：多模态轨迹 + 概率 + 不确定性估计（如方差）。
- 规划消费：规划器需考虑多模态预测，采用鲁棒规划或机会约束规划。
- 接口效率：数据格式需紧凑，支持实时传输；时间同步与坐标系对齐。
- 安全兜底：预测失效时规划需有保守策略（如减速、靠边）。
简短示例回答
预测模块通常输出多模态轨迹及对应概率，并附带不确定性估计。规划模块需要消费这些多模态结果，采用鲁棒规划或机会约束方法处理不确定性。接口设计上要保证数据紧凑、时间同步和坐标系一致，同时规划器需具备安全兜底策略，当预测置信度过低时主动降速或靠边停车。
可能追问
多模态预测如何做轨迹筛选？
规划器如何处理预测的不确定性？
预测和规划联合优化的趋势？
接口延迟对控制的影响？
避坑提醒
⚠️ 避免：只谈预测精度而忽略规划对不确定性的处理；认为预测输出单一轨迹即可；忽略接口的实时性和安全兜底设计。
真实项目模板 · 城市NOA数据闭环与仿真验证平台
项目名称
城市NOA数据闭环与仿真验证平台
业务背景
城市NOA功能落地中，实车测试里程有限，corner case覆盖不足，需通过数据闭环与仿真加速迭代。
规模指标
- 日均回传数据 5TB+，有效场景片段 2万+
- 仿真场景库 10万+，覆盖 200+ 城市道路类型
- 模型迭代周期从 4 周缩短至 1.5 周
技术栈
- 感知：BEV+Transformer，激光雷达+视觉融合
- 预测：多模态轨迹预测，Social LSTM + 注意力机制
- 仿真：CARLA + 自研场景重建引擎
- 数据闭环：Kafka + Spark + 自动标注平台
核心难点：① 实车数据与仿真场景的域差异导致模型迁移困难；② 多模态预测与规划接口的实时性要求高；③ 数据闭环中自动标注精度不足，需人工介入。
面试高频追问
如何解决仿真到实车的域差异？
数据闭环中自动标注的准确率如何？
预测模块的推理延迟是多少？
仿真场景如何保证多样性？
项目中最具挑战的技术点是什么？
可迁移回答话术
“在这个项目中，我负责数据闭环与仿真验证的链路设计。我们通过实车触发机制筛选高价值数据，在云端自动标注后重建为仿真场景，并利用域随机化技术缩小仿真与实车的差距。最终模型迭代周期缩短了60%，城市NOA的接管率下降了35%。这个经验让我深刻理解到，数据闭环不是简单的数据回流，而是需要与仿真验证紧密结合，才能高效驱动算法迭代。”
第4章 · 驾驶智能体技术栈与知识图谱 · 面试实战题库