感知算法落地能力、对传感器特性与数据闭环的理解、系统级思维（算力/延迟/成本约束）。
采用“背景-目标-方案-结果-反思”结构：先说明项目场景与传感器配置，再讲感知任务（检测/分割/跟踪），重点突出技术选型理由与工程优化，最后用量化指标（mAP、召回率、延迟）收尾。
“我在L2+量产项目中负责前视感知，用BEV+Transformer做多任务检测。针对雨雾场景，引入时序融合与数据增强，mAP提升6%，推理延迟控制在30ms内。通过影子模式回流难例，迭代3轮后误检率下降40%。”
不要只罗列算法名称，要讲清楚为什么选这个方案、遇到什么工程约束、如何权衡精度与延迟。
对规控算法（预测-决策-规划-控制）的掌握程度、场景理解深度、安全边界设计能力。
按“场景定义→预测→决策→规划→控制”链路展开：先明确cut-in的触发条件与危险等级，再讲预测模块如何输出意图概率，决策层如何做博弈，规划层如何生成舒适轨迹，最后控制层如何跟踪。
“针对cut-in，我采用预测-决策分层架构。预测模块输出他车切入概率与轨迹分布，决策层用POMDP做博弈，规划层基于安全走廊生成横向避让轨迹，控制层用MPC跟踪。实车测试中，cut-in响应时间小于200ms，乘坐舒适度提升明显。”
避免只讲单一模块，要体现系统级联调思维；不要忽略功能安全与预期功能安全（SOTIF）要求。
系统架构设计能力、多传感器融合、建图与定位、功能安全与量产落地经验。
从“需求分析→传感器选型→建图定位→路径规划→控制执行→安全冗余”六个维度展开，重点说明记忆泊车的建图与重定位方案，以及如何保证低算力下的实时性。
“记忆泊车我采用视觉+超声波+IMU融合方案。建图阶段用SLAM生成语义地图，泊车时通过视觉重定位匹配。路径规划用混合A*，控制用MPC。安全上设计多级制动冗余，确保在低算力平台也能实时运行。”
不要只讲算法，要体现对量产成本、算力平台、法规要求的综合考虑；避免忽略安全冗余设计。
高频问题回答的核心是“结构化表达 + 量化结果 + 系统思维”。记住回答框架图：理解问题→拆解维度→技术方案→验证权衡，并主动关联追问路径中的边界场景与量产落地。下一章将进入项目案例章节，教你用STAR模板讲好真实项目。