第2章 高频面试问题与回答框架
面试官通过高频问题考察候选人的技术深度、项目落地能力与逻辑表达。本章拆解三大经典题型，提供STAR+技术关键词的答题结构，并分析不同厂家的侧重点差异。
核心原则：先框架后细节，用数据说话，始终扣住“感知系统如何支撑机器人自主决策”这条主线。
面试时先沉默3秒确认问题意图，再按路径快速构建回答。推荐STAR框架用于项目类问题，PRM框架用于技术方案类问题。
📌 问答卡片一：项目经验场景题
| 面试问题 | 请描述你负责过的一个机器人感知系统项目 |
|---|---|
| 考察点 |
|
| 回答框架 | STAR：S（项目背景与规模）→ T（你的核心职责与目标）→ A（关键技术动作，如传感器选型、算法改进）→ R（数据指标提升、交付时间、用户反馈） |
| 示例回答 | 我曾主导园区无人清扫车感知系统，使用16线激光雷达+IMU，通过改进ICP配准与卡尔曼融合将定位精度从20cm降至8cm。项目周期6个月，交付后通过100小时不间断路测，在夜间/雨天仍保持稳定。 |
| 可能追问 |
|
| 避坑提醒 | ❌ 避免只讲技术名词无数据；✅ 必须给出“前→后”的量化对比；❌ 不要只有成功，可提一两个小挫折及改进。 |
📌 问答卡片二：技术方案深度题
| 面试问题 | 多传感器融合中如何处理时间戳不同步？ |
|---|---|
| 考察点 |
|
| 回答框架 | PRM：P（问题：不同传感器时钟源、传输延迟导致数据错位）→ R（硬件同步：PPS+GPS授时；软件同步：插值与状态预测，如EKF的时间更新步）→ M（同步后融合输出频率稳定，物体位置抖动<2cm） |
| 示例回答 | 我们采用硬件方案：激光雷达与相机接收同一PPS信号，IMU使用MCU直接时间戳。再通过线性插值对齐：对相机帧时刻的IMU数据进行插值，输入到EKF的预测步。最终使融合输出帧率稳定20Hz，动态物体位置误差小于3cm。 |
| 可能追问 |
|
| 避坑提醒 | ❌ 不要只说“用ROS的tf和时间stamp”；✅ 必须体现你理解底层延迟来源以及实际参数；❌ 别忽略硬件同步选型（如GPS vs NTP）。 |
📌 问答卡片三：性能优化与瓶颈题
| 面试问题 | 你如何评估感知算法的实时性？遇到过哪些瓶颈？ |
|---|---|
| 考察点 |
|
| 回答框架 | STAR变体：S（项目中实时性要求，如控制周期10ms）→ T（识别耗时的模块）→ A（使用perf/trace工具分析，改用轻量网络、原地运算、双缓冲）→ R（延迟从35ms降至9ms，满足控制需求） |
| 示例回答 | 在AGV项目要求感知-控制环路<15ms，初始YOLOv5推理占28ms。通过TensorRT FP16量化、输入降采样至640x480、后处理NMS改用GPU加速，并将多帧检测结果缓存减少重复计算。最终端到端延迟降至11ms，CPU占用率降低40%。 |
| 可能追问 |
|
| 避坑提醒 | ❌ 不要只说“用了TensorRT”无数据支撑；✅ 一定要给出优化前后的数值对比（最好包含最坏情况延迟）；❌ 忘记讨论鲁棒性（极端场景下是否会超时）。 |
公司侧重点速查表：
🏢 大厂（字节/百度/华为）→ 看重算法创新与工程效率平衡，追问偏向细节与系统设计
🏭 机器人创业公司（如高仙、云鲸）→ 侧重落地交付与成本控制，追问偏向场景适配与异常处理
🏛 研究院/无人车（如Momenta、Pony）→ 关注前沿算法理解与复现能力，追问偏向理论推导
🏢 大厂（字节/百度/华为）→ 看重算法创新与工程效率平衡，追问偏向细节与系统设计
🏭 机器人创业公司（如高仙、云鲸）→ 侧重落地交付与成本控制，追问偏向场景适配与异常处理
🏛 研究院/无人车（如Momenta、Pony）→ 关注前沿算法理解与复现能力，追问偏向理论推导