面试问题1：请介绍一下自动驾驶中传感器标定的流程，以及如何保证标定精度？

面试官考察点

• 是否理解标定的完整链路：内参、外参、时间同步。
• 是否掌握标定精度评估与在线校准方法。
• 能否结合量产项目说明标定工程化落地经验。

回答框架

1. 定义与分类：内参标定（相机焦距、畸变）、外参标定（传感器间位姿）、时间同步（硬件触发+软件对齐）。
2. 标定流程：数据采集 → 特征提取 → 优化求解 → 精度验证 → 在线校准。
3. 精度保障：使用高精度标定场、多帧优化、温度补偿、在线监测与重标定策略。
4. 项目结合：举例说明在量产项目中如何将重投影误差控制在1像素以内。

简短示例回答

“传感器标定分内参、外参和时间同步。内参用棋盘格或圆点靶标，外参用联合标定场，时间同步靠PPS加软件对齐。精度保障上，我们采用多帧非线性优化，将重投影误差控制在0.5像素内，并设计在线监测模块，当误差超阈值时触发重标定，确保量产一致性。”

可能追问

• 相机与激光雷达的外参标定具体怎么做的？
• 如果车辆行驶中发生振动，如何实现在线标定？
• 时间同步的精度要求是多少？如何验证？

避坑提醒

• 不要只讲理论，要结合具体标定工具（如Kalibr、Autoware）和项目数据。
• 避免混淆内参和外参的标定对象。
• 不要忽略时间同步，这是NOA感知的基础。

面试官考察点

• 对NOA场景下检测难点（远距离、遮挡、小目标、多模态）的理解。
• 模型选型、损失函数设计、数据增强与后处理经验。
• 能否结合BEV或Occupancy说明检测演进方向。

回答框架

1. 挑战分析：远距离小目标、遮挡、恶劣天气、多传感器融合需求。
2. 模型设计：Backbone选型（ResNet、VoVNet）、Neck（FPN、BiFPN）、Head（Anchor-based/Free）。
3. 优化策略：数据增强（Mosaic、Copy-Paste）、损失函数（Focal Loss、GIoU）、后处理（NMS、Soft-NMS）。
4. 融合趋势：从2D检测到BEV检测，再到Occupancy通用障碍物检测。

简短示例回答

“NOA场景下检测难点是远距离小目标和遮挡。我们采用VoVNet+BiFPN作为主干，引入Focal Loss解决正负样本不平衡，并用Mosaic增强提升小目标召回。后处理使用Soft-NMS减少遮挡漏检。在BEV视角下，我们进一步融合激光雷达点云，将小目标AP提升了8%。”

可能追问

• Anchor-based和Anchor-free在NOA场景下如何选择？
• 如何解决不同传感器视角下的目标对齐问题？
• BEV检测相比2D检测有哪些优势？

避坑提醒

• 不要只罗列模型名称，要说明选择理由和实际效果。
• 避免忽略数据闭环和难例挖掘的重要性。
• 不要将检测与跟踪混为一谈，注意边界。

面试官考察点

• 对BEV视图变换（LSS、Transformer、Gaussian Splatting）的理解。
• 多传感器特征在BEV空间融合的方法与优势。
• BEV感知在时序融合、Occupancy方面的延伸。

回答框架

1. BEV定义：将多视角图像/点云投影到统一的自车坐标系鸟瞰图。
2. 核心方法：LSS（显式深度分布）、BEVFormer（Transformer注意力）、Gaussian Splatting（3D高斯）。
3. 融合优势：统一空间表达，便于时序对齐、多模态融合和下游规划控制。
4. NOA应用：BEV检测、BEV分割、Occupancy预测，提升遮挡场景下的感知能力。

简短示例回答

“BEV感知将多相机图像通过LSS或Transformer投影到自车鸟瞰图，实现统一空间表达。在NOA中，我们利用BEV特征融合激光雷达点云，解决单视角遮挡问题。同时引入时序对齐，将多帧BEV特征拼接，提升远距离目标检测稳定性。最终BEV输出直接服务于预测和规划模块。”

可能追问

• LSS和BEVFormer的主要区别是什么？
• BEV感知中如何做时序融合？
• BEV与Occupancy的关系是什么？

避坑提醒

• 不要只讲概念，要结合具体算法和项目落地效果。
• 避免忽略BEV感知的计算复杂度和实时性优化。
• 不要将BEV与Occupancy完全等同，前者是视图，后者是输出形式。