4. 多传感器融合面试：Camera+LiDAR+Radar 融合策略、前融合/后融合/特征融合
面试问答卡片
🎯 面试问题 1
“请详细阐述 Camera+LiDAR+Radar 三种融合策略（前融合、后融合、特征融合）的核心区别、优缺点及典型应用场景。”
面试官考察点：是否具备融合层级系统性认知，能否从信息损失、算力开销、对齐难度、工程落地等维度客观比较，是否有实际项目经验支撑。
回答框架：
- 定义分层：前融合（原始数据层拼接，如点云投影到图像）、特征融合（各模态提取特征后融合，如BEV空间）、后融合（独立感知后做目标级融合）。
- 对比要点：信息完整性（前>特>后），算力需求（前>特>后），对齐难度（前高>特中>后低），维护性（后>特>前）。
- 场景匹配：前融合用于近距离高精度检测（如泊车），后融合用于高速巡航（算力受限、可靠性优先），特征融合用于BEV感知主流方案。
简短示例回答：“前融合在原始层对齐，信息最完整但算力和时间同步要求极高，适合低速复杂场景；后融合各传感器独立输出目标再关联，鲁棒性好但会丢失未检测到的低级特征；特征融合折中，在BEV空间做特征交互是当前行业主流趋势（如BEVFusion）。”
可能追问：① 前融合中如何保证点云与图像精确像素级对齐？② 后融合中目标关联算法（如匈牙利匹配）的局限性？③ 特征融合如何解决模态缺失时的退化问题？
🎯 面试问题 2
“在一个实际量产项目中，你会如何选择前融合还是后融合？请结合具体场景说明决策过程。”
面试官考察点：是否具备工程化思维，能否根据算力平台、传感器配置、功能安全等级做出合理权衡，并有实际案例支撑。
回答框架：
- 场景分析：高速公路（远距、高动态） vs 城区复杂路口（近距、遮挡多） vs 泊车（低速、高精度）。
- 算力约束：例如Orin X平台算力254 TOPS，前融合需留出足够GPU资源给感知模型。
- 安全冗余：后融合可独立工作，单传感器降级时不丢失整体感知，适合ASIL-B要求。
- 最终方案：如“城区场景采用前融合检测行人/自行车，高速场景切换为后融合目标跟踪，中间用特征融合做统一BEV表示”。
简短示例回答：“以我参与的L2+项目为例，我们采用混合方案：前融合用于30m内行人/交通灯检测（利用点云+RGB深度对齐），后融合用于远距离车辆跟踪（各传感器独立输出，IOU关联）。切换逻辑基于车速和场景复杂度，总算力占用控制在60%以内。”
可能追问：① 切换时融合权重如何平滑过渡？② 后融合中雷达与视觉目标不一致时怎么仲裁？③ 空间对齐误差对前融合的影响有多大？
🎯 面试问题 3
“多传感器融合中时间同步和空间对齐如何实现？某个传感器突然失效时，系统如何降级？”
面试官考察点：工程实现细节——硬同步/软同步方案、外参标定、动态校准，以及失效降级策略（Fail-Operational vs Fail-Safe）。
回答框架：
- 时间同步：硬件触发（PPS+IEEE 1588）实现微秒级同步；软件方案通过UTC时间戳+插值对齐。
- 空间对齐：离线标定（LiDAR↔Camera 标定板）、在线自标定（利用语义特征优化外参）、动态补偿（车辆颠簸时的姿态补偿）。
- 失效降级：定义传感器健康状态，Camer/LiDAR/Radar任意单目失效时，系统降至对应功能级别（如城市NOA降为ACC+LKA），提前预设降级策略。
简短示例回答：“我们采用硬件同步方案：所有传感器通过Trigger Box接收PPS和GPIO信号，标定间隔3个月自动校验一次。当检测到LiDAR回波异常时，系统在1秒内自动切换至Camera+Radar后融合模式，并显示‘传感器限能’提示，同时降低车速并通知驾驶员接管。”
可能追问：① 外参标定误差容忍多少？② 时间戳偏差超过20ms会带来什么影响？③ 降级后如何恢复？Fault-Tree Analysis？
• 融合层级 = 信息完整度 vs 工程代价的权衡
• 回答时始终扣住“场景 → 约束 → 选择”的逻辑链
• 主动提及“时间同步精度 < 50ms、外参误差 < 1cm”等量化指标，证明有实战经验