考察候选人对车路云协同感知的整体理解、项目参与深度、技术选型能力以及工程落地经验。
采用“背景—目标—方案—结果—反思”结构：先交代项目背景与业务目标，再说明技术方案与个人贡献，最后用数据量化结果并总结可迁移经验。
“我在某智慧高速项目中负责路侧感知与云端融合。通过多传感器标定与目标级融合，将感知盲区降低30%，端到端时延控制在150ms内。我主导了融合算法选型与部署，并沉淀了标定与评测流程。”
避免只讲“参与了”而不讲“我具体做了什么”；避免堆砌技术名词却没有量化结果；避免把团队成果完全归功于个人。
考察对数据闭环全链路（采集—回传—标注—训练—评测—部署）的理解，以及数据质量治理的工程化能力。
按“数据流—质量维度—治理手段—迭代机制”展开：先画数据流图，再说明完整性、准确性、时效性等质量维度，最后给出自动化校验与人工抽检结合的治理方案。
“我们设计了路侧—边缘—云端三级数据管道，通过规则引擎过滤无效帧，结合主动学习筛选高价值样本。标注环节采用交叉验证，数据质量指标纳入迭代看板，使模型周级迭代效率提升40%。”
不要只谈工具不谈流程；不要忽略数据合规与隐私脱敏；避免把数据闭环等同于“定期跑训练”。
考察候选人对算法工程化落地的理解，包括模型压缩、推理优化、硬件选型以及端边云任务划分能力。
从“约束分析—任务拆分—模型优化—部署验证”四步展开：先明确时延与精度指标，再按端边云分层部署，最后通过量化、剪枝、算子融合等手段优化，并给出实测数据。
“在路侧边缘盒子上，我们将检测模型量化到INT8，结合TensorRT加速，推理时延从80ms降至25ms，mAP仅下降1.2%。同时把跟踪与融合放在边缘，全局优化放在云端，实现精度与实时性的平衡。”
避免只谈“用了TensorRT”而不谈具体优化手段；避免忽略硬件差异对部署方案的影响；不要给出没有实测支撑的时延数据。
高频问题的回答核心在于“结构化表达 + 量化结果 + 工程反思”。建议针对每个问题准备1个主案例和2个备选细节，并提前演练追问路径，确保回答既有深度又可控。