3. 自动驾驶感知模块面试题
第 3 章 · 感知模块
自动驾驶感知模块面试题
高频问题
回答框架
公司侧重点
📌 本章聚焦 Apollo 感知模块。 感知是自动驾驶的“眼睛”，面试官重点考察你对传感器融合、目标检测、跟踪、BEV 等核心技术的理解，以及工程落地与问题排查能力。以下 3 个问答卡片覆盖高频考点，并附回答框架与避坑提醒。
请介绍自动驾驶感知模块中多传感器融合的常见方案，并说明 Apollo 中如何实现？
回答框架
- 分层说明：数据级融合 → 特征级融合 → 目标级融合，各自优缺点。
- Apollo 实践：激光雷达 + 相机 + 毫米波雷达，后融合为主，介绍 Apollo 感知模块架构。
- 关键挑战：时间同步、标定、异构数据关联。
简短示例回答
多传感器融合通常分数据级、特征级和目标级。Apollo 量产方案以后融合为主，激光雷达、相机、毫米波分别检测，再通过匈牙利算法或概率关联融合。难点在于时空同步与标定，Apollo 使用统一时间戳和在线标定来保证精度。
可能追问
后融合与前融合的优劣？
如何做时间同步？
Apollo 中融合模块的输入输出？
避坑提醒
⚠️ 不要只背概念，要结合 Apollo 具体模块（如 lidar_detection、camera_detection、radar_detection 及 fusion 组件）说明，否则显得缺乏实战。
在感知模块中，如何评估目标检测模型的效果？常用指标有哪些？
回答框架
- 通用指标：mAP、IoU、召回率、精确率、F1。
- 自动驾驶专用：漏检率、误检率、航向角误差、距离误差、速度误差。
- Apollo 实践：强调长尾场景、极端天气下的鲁棒性，以及在线指标监控。
简短示例回答
通用指标有 mAP、IoU、召回率等。自动驾驶更关注漏检率和误检率，以及航向角、距离、速度误差。Apollo 会针对不同距离和遮挡程度分层评估，并特别关注极端场景下的表现，确保量产安全。
可能追问
mAP 在 3D 检测中如何计算？
如何平衡漏检和误检？
Apollo 的感知指标看板？
避坑提醒
⚠️ 不要只罗列指标，要说明不同指标的业务含义，以及 Apollo 对安全冗余的重视（如漏检比误检更致命）。
感知模块中目标跟踪的常见算法有哪些？Apollo 中如何实现多目标跟踪？
回答框架
- 经典算法：卡尔曼滤波、匈牙利算法、JPDA、SORT/DeepSORT。
- Apollo 实现：基于卡尔曼滤波 + 匈牙利匹配，融合多传感器航迹，并处理遮挡与ID切换。
- 难点：数据关联、航迹管理、实时性优化。
简短示例回答
常见跟踪算法有卡尔曼滤波、匈牙利匹配、JPDA 等。Apollo 采用卡尔曼滤波预测目标状态，结合匈牙利算法进行数据关联，并融合多传感器航迹。针对遮挡和 ID 切换，引入航迹管理策略，同时优化计算保证实时性。
可能追问
卡尔曼滤波的预测和更新步骤？
如何处理 ID 切换？
Apollo 跟踪模块的输入输出？
避坑提醒
⚠️ 不要只讲算法原理，要结合 Apollo 实际工程（如 tracking 组件、多传感器融合跟踪）说明，并强调实时性与鲁棒性。
《Apollo 平台工程师面试实战题库》· 第 3 章 · 感知模块高频问答