Q1：请介绍一个你负责的 NOA 感知模块优化项目，并说明关键指标提升。

面试官考察点

① 是否真正主导过感知模块优化；② 对指标定义与数据闭环的理解；③ 方案选型与工程落地的平衡能力；④ 能否用数据量化价值。

回答框架

背景与目标 → 说明 NOA 场景下感知痛点（如匝道、加塞、异形车）→ 方案设计 → 数据增强/模型结构/后处理优化 → 量化结果 → 关键指标（召回率、误检率、延迟）提升幅度 → 工程落地 → 部署约束与迭代闭环。

简短示例回答

“我在 NOA 匝道场景中负责感知优化。针对异形车漏检，引入时序融合与困难样本挖掘，将召回率从 87% 提升至 94%，误检率下降 2.1%。同时通过 TensorRT 量化将延迟控制在 35ms 以内，满足车端实时性要求。”

可能追问

• 困难样本如何定义与挖掘？
• 时序融合具体怎么做的？窗口多大？
• 量化后精度损失多少？如何补偿？

避坑提醒

不要只讲“我用了某模型”，要讲清楚为什么选它、对比过什么、数据怎么处理、指标怎么定义。避免夸大个人贡献，用“我负责/我主导/我参与”区分清楚。

面试官考察点

① 对规控核心矛盾的理解；② 是否具备多目标优化思维；③ 对预测-规划-控制链路的熟悉程度；④ 能否结合具体场景给出可落地方案。

回答框架

场景定义 → 旁车切入的时空特征 → 预测模块 → 意图识别与轨迹预测 → 规划模块 → 代价函数设计（安全距离、加速度、 jerk）→ 控制模块 → 平滑跟踪 → 评价指标 → 接管率、舒适度、通行效率。

简短示例回答

“cut-in 场景下，我采用预测-规划联合优化。预测端输出多模态轨迹及概率，规划端设计分层代价函数：安全层硬约束保证最小安全距离，舒适层软约束限制加速度和 jerk。通过调整权重，在保证安全的前提下将急刹频率降低 30%。”

可能追问

• 多模态预测如何与规划耦合？
• 代价函数权重怎么标定？
• 如何验证舒适性提升？

避坑提醒

不要只谈“安全第一”而忽略舒适性，也不要只讲算法不讲工程约束。面试官希望听到可量化的权衡逻辑，而非空泛的原则。

面试官考察点

① 系统化排查问题的能力；② 对感知-融合-规控链路的理解；③ 数据驱动与工程闭环思维；④ 跨模块协作意识。

回答框架

问题复现 → 日志与数据回灌 → 链路排查 → 感知误检/融合异常/规控误判 → 根因定位 → 雨天噪声/标定漂移/阈值敏感 → 解决方案 → 数据增强/滤波/阈值自适应 → 验证闭环 → 回归测试与灰度发布。

简短示例回答

“我会先回灌雨天数据复现问题，定位到感知端将雨滴误检为障碍物。随后在感知后处理中加入时序一致性校验，并针对雨天数据做增强训练。同时调整 AEB 触发阈值，增加置信度门限。最终误触发率下降 85%，并通过回归测试验证。”

可能追问

• 时序一致性校验具体怎么做？
• 阈值调整会不会影响正常触发？
• 如何做灰度发布与监控？

避坑提醒

不要直接跳到“加数据训练”，要展示从复现到根因再到验证的完整排查链路。同时注意区分感知、融合、规控各模块的责任边界。