4. 自动驾驶预测与规划模块面试题

第 4 章 · 预测与规划模块

自动驾驶预测与规划 · 高频面试题

Apollo 平台工程师 面试实战题库
📌 本章聚焦: 预测与规划模块是 Apollo 决策规划的核心,面试官重点考察你对行为预测、轨迹生成、场景决策、安全冗余的理解。以下 3 个高频问答卡片 + 1 个真实项目模板,帮你快速建立回答框架。
预测与规划模块 · 回答框架图 1. 理解问题 预测/规划/控制 2. 拆解模块 预测/决策/规划 3. 技术方案 算法/模型/优化 4. 工程落地 实时/安全/迭代 🔍 高频追问路径 预测模型选型 规划算法对比 安全冗余设计 实时性优化 场景泛化能力 回答时按“理解→拆解→方案→落地”递进,追问时深入具体技术点
Q1 请介绍一下自动驾驶预测模块的常见方法,以及 Apollo 中预测模块的架构。
面试官考察点
对预测模块整体认知、方法分类(物理/行为/交互/学习)、Apollo 预测架构(场景预测、评估器、预测器)的理解。
回答框架
  • 方法分类:基于物理模型(运动学)、基于行为(意图识别)、基于交互(社会力/图网络)、基于学习(LSTM/Transformer)。
  • Apollo 架构:场景预测器(Scenario Predictor)→ 评估器(Evaluator)→ 预测器(Predictor),输出轨迹与概率。
  • 工程要点:多模态输出、实时性、不确定性建模。
简短示例回答
预测模块通常分物理、行为、交互和学习四类方法。Apollo 采用场景预测器框架,先识别场景(如跟车、换道),再通过评估器对多条候选轨迹打分,最后由预测器输出多模态轨迹和概率。工程上强调实时推理与不确定性量化。
可能追问
多模态预测如何输出? 评估器具体评估哪些指标? 如何处理交互场景?
⚠️ 避坑提醒:不要只罗列方法名称,要结合 Apollo 实际架构说明“场景预测器”的输入输出和模块间关系。
Q2 在规划模块中,如何处理动态障碍物和不确定性?请结合具体算法说明。
面试官考察点
对规划算法(EM Planner、Lattice Planner、优化方法)的掌握,以及处理动态障碍物、预测不确定性的工程思路。
回答框架
  • 动态障碍物处理:预测轨迹作为约束/代价,使用时空联合规划(ST Graph)或动态窗口法。
  • 不确定性建模:概率占用栅格、机会约束规划、鲁棒 MPC。
  • Apollo 实践:EM Planner 中 DP + QP 分层求解,结合预测模块的多模态输出。
简短示例回答
规划中通常将动态障碍物的预测轨迹作为时空约束。Apollo 的 EM Planner 采用 DP 生成粗解,再用 QP 优化,同时考虑多模态预测。对于不确定性,可用机会约束或鲁棒优化,确保在预测偏差下仍安全。
可能追问
DP 和 QP 分别解决什么? 如何保证实时性? 与 Lattice Planner 对比?
⚠️ 避坑提醒:避免只谈理论,要结合 Apollo 的 EM Planner 或 Lattice Planner 说明具体实现,并提及实时性优化手段。
Q3 如何评估预测与规划模块的性能?有哪些关键指标和测试方法?
面试官考察点
对评估体系、离线/在线测试、仿真、指标定义(安全性、舒适性、效率)的理解。
回答框架
  • 预测指标:ADE/FDE、NLL、多模态覆盖率。
  • 规划指标:碰撞率、舒适度( jerk/加速度)、通行效率、交规遵守率。
  • 测试方法:离线回放、仿真测试(CARLA/Apollo 仿真)、实车路测、场景库覆盖。
简短示例回答
预测常用 ADE/FDE 和 NLL 评估轨迹精度,规划则关注碰撞率、舒适度和通行效率。测试上采用离线回放、仿真和实车结合,Apollo 有场景库和仿真平台,通过大规模场景回归验证模块稳定性。
可能追问
如何构建场景库? 仿真与实车差异? 如何做回归测试?
⚠️ 避坑提醒:不要只列指标,要说明指标背后的工程意义,以及 Apollo 仿真平台的实际使用经验。
📁 真实项目模板 · 城市道路预测与规划优化
项目名称 城市道路场景下预测与规划联合优化
业务背景 Apollo 自动驾驶出租车在复杂城市道路中,预测模块对行人/车辆意图识别不准,导致规划频繁急刹,影响舒适性与通行效率。
规模指标
  • 覆盖 50+ 城市典型场景
  • 预测准确率提升 18%
  • 急刹率降低 32%
技术栈
  • Apollo 预测框架(Scenario Predictor)
  • EM Planner + 多模态预测
  • PyTorch / 仿真平台
核心难点

① 多模态预测与规划耦合:预测输出多条轨迹,规划需在概率分布下决策;② 实时性约束:预测+规划需在 100ms 内完成;③ 场景泛化:不同城市道路交互模式差异大。

面试高频追问
预测多模态如何与规划结合? 实时性如何保证? 如何评估优化效果? 遇到哪些 corner case?
💬 可迁移回答话术: “在这个项目中,我负责预测与规划的联合调优。我们通过引入多模态预测输出,并在规划代价函数中增加不确定性惩罚项,显著降低了急刹率。同时利用 Apollo 仿真平台进行大规模回归,确保实时性达标。这套方法论可以迁移到任何需要预测-规划协同的自动驾驶场景。”
《Apollo 平台工程师面试实战题库》· 第 4 章 · 预测与规划模块