自动驾驶感知测试工程师面试宝典 - 第2节

面试问题：请对比激光雷达和毫米波雷达在自动驾驶感知中的优缺点，以及各自的失效场景。

面试官考察点：① 是否理解两种传感器物理原理；② 能否说出典型失效工况（雨雾、黑夜、静态目标等）；③ 是否有工程选型经验。

回答框架：原理简述 → 优点 3 点 → 缺点 2 点 → 各举 1 个典型失效场景 → 实际项目中的选型思路。

示例回答：激光雷达基于 TOF 原理，精度高但受雨雾散射严重；毫米波雷达利用多普勒频移，测速准且全天候好。我在项目中用激光雷达做目标分类，毫米波雷达做远距离检测，雨雾天以毫米波为主。

可能追问：① 激光雷达点云稀疏时如何提升检测效果？② 毫米波雷达对静态目标不敏感怎么办？③ 激光雷达线束从 64 线降为 16 线，任务指标会掉多少？

面试问题：mAP 是怎么计算的？IoU 阈值设置 0.5 和 0.7 对评测结果有什么影响？

面试官考察点：① 是否真正理解 mAP 的 recall-precision 曲线积分；② 是否关注过业务场景和评测标准之间的匹配；③ 能否说出实际调阈值时的 trade-off。

回答框架：先给出 mAP 定义（AP 是 PR 曲线下面积，mAP 是各类别 AP 均值）→ 分 IoU=0.5 和 0.7 两种情况分析召回率和精确率的变化趋势 → 结合应用场景说明如何选择。

示例回答：IoU=0.5 更关注检测能力，适合远距离小目标场景；IoU=0.7 要求定位精度，适合近距离避障。我在 AEB 项目中使用 0.7，把误检从 5% 降到 1.2%，但 recall 下降了 3%。

可能追问：① 如果三类目标 mAP 差异很大，如何处理？② 模型推理 FPS 与 mAP 的 Pareto 曲线怎么分析？③ 标注质量差会导致 mAP 偏高还是偏低？

面试问题：你负责一个感知模块的回归测试，如何设计测试用例来覆盖 corner case？

面试官考察点：① 是否有系统化的测试思维；② 能否区分仿真测试和实车测试的侧重点；③ 是否理解 corner case 的定义和挖掘方法。

回答框架：总述测试金字塔（数据→仿真→回放→实车）→ 给出 corner case 的分类标准（光照/天气/遮挡/特殊交通参与者）→ 举例说明 2-3 个典型用例 → 说明如何自动化回归。

示例回答：我按“场景要素正交表”生成用例，例如逆光+低头行人+雨天。仿真先过 1000 种组合，然后用路采数据回放。发现冲突时自动提交 Jira，标注“感知置信度 < 0.3”的帧。

可能追问：① 实车路试发现 corner case 后，如何快速反哺到仿真库？② 如何评估测试用例集的充分性？③ 多传感器时间不同步导致的测试缺陷你有方案吗？