高频面试问题与回答框架
本章聚焦自动驾驶感知研发面试中最高频的问题类型、标准答题结构与不同公司的考察侧重。掌握STAR等框架能让你在技术深挖、项目复盘与场景推演中清晰传递核心竞争力。
| 问题类型 | 考察核心 | 推荐答题结构 | 常见公司侧重 |
|---|---|---|---|
| 技术原理 | 基础扎实度 & 融会贯通 | 定义 → 公式/流程 → 优缺点 → 实际案例 | 百度、小马、华为 |
| 项目经验 | 工程落地 & 个人贡献 | STAR + 量化结果 | 蔚来、理想、小鹏 |
| 场景题 / 开放题 | 问题拆解 & 多方案权衡 | 假设 → 选项 → 选择依据 → 风险兜底 | 所有公司（尤其海外） |
| 工程实践 | 代码能力 & 系统思维 | 整体架构 → 关键模块 → 权衡取舍 | 字节、美团、滴滴 |
面试问题：“请解释 LiDAR 点云目标检测中，PointPillar 的核心思路是什么？”
面试官考察点：对经典模型的理解深度，是否掌握从点云到伪图像的转换动机，以及稀疏性处理。
回答框架：概述 → 关键步骤（柱体划分、特征提取、SSD 检测头）→ 相比 VoxelNet 的优势 → 实际效果。
简短示例回答：“PointPillar 将点云沿 XY 平面划分为垂直柱体，对每个柱体内的点用 PointNet 提取特征，再映射为伪图像用 2D CNN 检测。相比体素法速度快 10 倍，适合实时场景。我们在项目中用它在 Ouster 128 线上达到了 65 FPS，mAP 比 VoxelNet 低 0.8%，但延迟减少 70%。”
可能追问：“为什么不用稀疏卷积？柱体大小如何设置？多尺度特征怎么融合？”
面试问题：“介绍一个你负责的感知算法项目，并说明你的核心贡献。”
面试官考察点：项目真实性、个人角色、工程落地能力、问题解决思路。
回答框架：S（项目背景与规模）→ T（个人承担的任务指标）→ A（具体行动与方案选择）→ R（量化成果）。
简短示例回答：“我主导了园区无人车实时 3D 检测项目。在 3km 封闭园区内，将 PointPillar 移植到 Jetson AGX Xavier，通过 int8 量化和算子合并，使推理延迟从 80ms 降到 32ms，满足 30FPS 要求。最终部署后误检率从 5% 降到 2.3%。”
可能追问：“量化后掉点多少？如何校准？如果让你再优化一个点，会做什么？”
面试问题：“行车记录中 Lidar 与 Camera 时空同步出现 50ms 偏差，你会怎么诊断和修复？”
面试官考察点：系统思维、调试方法、传感器时序理解、工程实操能力。
回答框架：定义问题边界 → 列出可能原因（时间戳漂移、传输延迟、触发信号不同步）→ 设计诊断步骤 → 解决方案选择。
简短示例回答：“首先确认偏差是固定还是随机：在场景中放置标定板，同时录制并提取边缘跳变时间戳。若固定偏移，通过 PTP 协议对齐时钟或加软件补偿；若随机抖动，检查硬件触发线。我曾通过给 Lidar 插入 GPS PPS 信号将抖动从 30ms 降到 2ms。”
可能追问：“如果 Camera 曝光时间很长怎么办？不同帧率的传感器如何对齐？”