3. 自动驾驶感知系统面试专题
第3章 · 自动驾驶感知系统面试专题
传感器选型 · 多传感器融合 · 目标检测跟踪 · 公司侧重点与追问应对
感知系统是Robotaxi安全与性能的基石。面试官不仅考察你对激光雷达、摄像头、毫米波雷达选型的理解，更关注多传感器融合的工程落地能力、目标检测跟踪的算法细节，以及你能否针对不同公司（如Waymo、百度Apollo、小马智行）的技术路线给出有侧重的回答。
本章通过3个高频问答卡片 + 1个真实项目模板，帮你建立结构化的回答框架，并附上追问路径与避坑提醒。
Robotaxi 传感器选型：激光雷达、摄像头、毫米波雷达如何权衡？
📝 简短示例回答
Robotaxi 选型需兼顾安全冗余与成本。激光雷达提供高精度3D点云，但成本高、雨雾衰减；摄像头成本低、纹理丰富，但受光照影响大；毫米波雷达测距测速稳定，但分辨率低。通常采用“激光雷达+摄像头+毫米波”融合方案，实现互补冗余，同时根据ODD调整配置。
🔁 可能追问
“如果去掉激光雷达，纯视觉方案在Robotaxi上可行吗？需要哪些额外条件？”
⚠️ 避坑提醒
不要只罗列参数，要结合具体场景（如夜间、逆光、雨雾）说明取舍；避免绝对化“激光雷达一定最好”。
多传感器融合中，前融合与后融合的优缺点及适用场景？
📝 简短示例回答
前融合在数据/特征层融合，信息保留完整，但标定敏感、算力要求高；后融合在目标级融合，鲁棒性强、易调试，但可能丢失底层信息。当前趋势是BEV+Transformer做特征级融合，兼顾信息与鲁棒性，适合Robotaxi复杂场景。
🔁 可能追问
“你们项目中时间同步精度是多少？如何解决不同传感器帧率不一致的问题？”
⚠️ 避坑提醒
不要只说“前融合好”或“后融合好”，要分场景讨论；避免忽略标定和同步的工程复杂度。
目标检测与跟踪中，如何解决遮挡和ID Switch问题？
📝 简短示例回答
遮挡和ID Switch是MOT核心难点。常用策略：引入卡尔曼滤波预测轨迹，结合外观特征（ReID）增强关联；采用ByteTrack低分检测框二次匹配；在BEV空间做跟踪，利用时序信息减少遮挡影响。实际中需平衡精度与实时性。
🔁 可能追问
“如果目标被遮挡超过2秒，你的跟踪器会怎么处理？如何恢复ID？”
⚠️ 避坑提醒
不要只提算法名称，要说明具体改进点和实际效果；避免忽略计算资源约束。
项目案例模板 · 多传感器融合感知系统
项目名称
城市Robotaxi多传感器融合感知系统
业务背景
L4级Robotaxi在城市公开道路运营，需在复杂交通流、夜间及雨雾天气下实现稳定感知，满足安全冗余要求。
规模指标
- 传感器：1颗激光雷达 + 6颗摄像头 + 5颗毫米波雷达
- 检测距离：前向200m，侧向80m
- 帧率：10Hz，端到端延迟 < 100ms
技术栈
- BEV + Transformer 特征级融合
- PointPillars 激光雷达检测
- ByteTrack 多目标跟踪
- ROS2 + CUDA 加速
核心难点
- 多传感器时间同步与空间标定精度要求高（< 5ms，< 0.1°）
- BEV特征融合中不同模态对齐与信息损失
- 遮挡场景下目标ID保持与轨迹预测
🔍 面试高频追问
追问1：你们的时间同步方案是什么？硬件触发还是软件同步？精度如何保证？
追问2：BEV融合中，如何处理不同传感器视角的差异？有没有做特征对齐？
追问3：跟踪模块在遮挡后如何恢复ID？有没有引入ReID或轨迹预测？
追问4：这套方案在雨雾天气下的性能下降多少？有没有做针对性优化？
💬 可迁移回答话术
“在这个项目中，我负责多传感器融合模块的设计与落地。我们采用BEV+Transformer做特征级融合，相比后融合，在遮挡场景下mAP提升了约8%。同时通过硬件触发+软件插值实现时间同步，将同步误差控制在3ms以内。这套方案后来也复用到园区物流车上，证明了其可迁移性。”
“如果面试官问及公司侧重点，我会对比Waymo强调激光雷达+高精地图、百度Apollo注重车路协同、小马智行聚焦多传感器前融合，并结合我们项目的成本与量产约束说明选型逻辑。”
《Robotaxi系统工程师面试实战题库》· 第3章 · 感知系统专题