自动驾驶感知研发工程师面试宝典 - 第4节
第4章 项目经验包装与STAR法则：如何用STAR讲述项目、动作-结果量化
面试官最常说的「请详细讲讲你的项目」，本质是在考察你解决问题的能力和量化思维。STAR法则（Situation-情境，Task-任务，Action-行动，Result-结果）是结构化表达的基础，而「动作-结果量化」则是区分平庸回答与高分回答的关键。本章提供标准问答框架和真实项目模板，帮助你每一次项目陈述都直击面试官痛点。
面试问题
“请用STAR法则介绍一个你在自动驾驶感知项目中攻克的技术难题。”
面试官考察点：结构化表达能力、问题拆解能力、技术深度、量化思维。
| 回答框架 | 简短示例回答（约90字） |
|---|---|
|
“在某城市场景目标检测项目中（S），我负责解决小目标漏检率高的问题（T）。我引入了特征金字塔多头注意力模块，并针对夜间数据做在线数据增强（A）。最终模型的mAP从72.3%提升至79.8%，小目标召回率提升30%（R），推动了该场景的顺利路测。” |
可能追问：①为什么选择特征金字塔而不是其他结构？②数据增强的具体做法？③mAP提升是否过拟合？
避坑提醒：避免只讲“我们做了什么”而不提“你做了哪些”；量化数字要真实可解释，不要夸大。
面试问题
“你在这个项目中具体负责什么？如何量化你的贡献？”
面试官考察点：个人职责边界、贡献度量化、团队协作意识。
| 回答框架 | 简短示例回答（约80字） |
|---|---|
|
“我独立负责基于BEV视角的融合检测模块开发与调优。通过重构anchor分配策略和优化NMS阈值，使单帧推理时间从45ms降至27ms，同时召回率提升4.2个点。这一改进直接支持了我们项目达到城市L4级感知延迟要求。” |
可能追问：①BEV融合中如何处理时序对齐？②NMS阈值如何调参，依据什么？③其他队友的贡献是什么？
避坑提醒：不要把团队成果全归于自己；但也不要过于谦虚。用“我主导/我独立负责/我推动”等边界词准确描述。
面试问题
“你们项目最终效果如何？有哪些关键的指标提升？”
面试官考察点：结果导向思维、指标理解力、项目复盘能力。
| 回答框架 | 简短示例回答（约90字） |
|---|---|
|
“最终多传感器融合模型在nuScenes验证集上mAP达到68.9%，NDS达到74.2%，相比基线分别高出12%和8%。同时工程端通过TensorRT部署后延迟控制在33ms以内，满足车规要求。该模型已集成到公司L4量产方案中，累计完成3000公里路测。” |
可能追问：①NDS与mAP的差异在你们任务中哪个更关键？②工程部署遇到了哪些挑战？③路测中是否有corner case？
避坑提醒：只报喜不报忧容易让面试官觉得缺乏反思；可以主动补充一两个你发现的后续改进方向，体现成长性。
真实项目模板：多传感器融合目标检测（L4城市道路）
| 项目名称 | 基于注意力机制的多传感器融合3D目标检测系统 |
|---|---|
| 业务背景 | 为某主机厂L4级自动驾驶城市道路提供全天候、高精度的障碍物检测，要求满足车规级实时性。 |
| 规模指标 |
|
| 技术栈 | PyTorch, mmdetection3D, TensorRT, CUDA, NuScenes数据集, ROS2 |
| 核心难点 |
|
| 面试高频追问 |
|
| 可迁移回答话术 | “针对多传感器融合对齐，我们采用了基于硬触发的时间同步方案，并利用外参标定结果进行空间投影。在小目标上，我主导引入了CutMix和Mosaic数据增强，同时对特征图进行多尺度分支加权重排。最终在嵌入式平台上通过层融合和张量内存复用将延迟从55ms降到33ms。” |
学习要点：把上述模板中的技术细节替换成你自己的实际项目，保持框架完整。面试官大概率会沿着「核心难点」→「你的Action」→「量化Result」的路径深挖，提前演练每一条追问。