高频面试问题与回答框架
面试中问题类型可分为行为类、技术类、开放类三大方向。STAR答题结构是行为类问题的黄金框架，能清晰展示项目贡献与能力迁移。不同公司对感知岗位的考察侧重点差异显著，提前拆解能精准命中面试官期待。
面试问题
请描述一个你参与过的感知算法项目，重点说明你在其中的贡献。
面试官考察点
- 是否具备完整项目闭环能力（从数据到部署）
- 个人角色与贡献是否真实可量化
- 逻辑表达是否清晰，能否抓重点
回答框架
STAR结构： S（项目背景、团队规模、你的角色）→ T（业务目标或技术难点）→ A（你采取的具体措施）→ R（关键指标提升，并附反思）
简短示例回答
“在某城市道路感知项目中（S），我负责3D目标检测模块。任务是将远距离行人召回率从82%提升到90%（T）。我引入了注意力机制并优化锚框分配策略（A），最终召回率达到91.5%，虚警率下降0.8%（R）。后期还协助部署到Orin平台，延迟仅增加2ms。”
可能追问
- 为什么选择注意力机制？消融实验怎么做的？
- 虚警率下降的具体原因是什么？
- 部署到嵌入式设备时遇到了哪些工程问题？
避坑提醒
面试问题
你如何处理感知模型训练中的过拟合问题？请结合一个具体场景。
面试官考察点
- 对过拟合典型表现和解决手段的理解深度
- 实际调参经验，而非背诵理论
- 数据增广、正则化、模型剪枝等工程平衡能力
回答框架
先定义问题（训练集高acc，验证集低）→ 分析根因（数据量不足/模型复杂度高）→ 采取行动（数据增广、Dropout、Label Smoothing、Early Stopping）→ 验证效果（曲线对比）→ 最终结果。
简短示例回答
“在激光雷达点云检测项目中，模型在训练集mAP达78%但验证集仅62%。我分析是GT数量少且场景单一。随即采用随机旋转、遮挡模拟等增广（A），并加入SpatialDropout，验证集mAP升至74%，与训练集差距缩小到4%。”
可能追问
- Dropout率怎么选的？试过其他正则化吗？
- 增广后是否引入噪声导致虚警上升？
- 如果验证集还是低，下一步你会怎么做？
避坑提醒
面试问题
请对比YOLO系列与Transformer-based检测器（如DETR）在自动驾驶感知中的适用性。
面试官考察点
- 对主流检测算法架构差异的底层理解
- 工程落地考量（速度、算力、精度、部署难度）
- 是否关注公司技术栈偏好（如百度擅用Transformer、小鹏偏CNN）
回答框架
从三个维度展开：架构（CNN vs Attention）→ 性能（延时/显存/精度）→ 部署（TensorRT支持、量化难度）→ 场景匹配（实时性优先用YOLO，复杂路口用DETR大型模型）。
简短示例回答
“高速场景实时性要求高，YOLOv8在Orin上可达30FPS，但小目标漏检较多；DETR利用全局注意力对远距离小目标更鲁棒，但推理延迟超50ms。因此我建议在感知pipeline中做感知范围分层：近处用YOLO，远处用轻量Transformer。”
可能追问
- 轻量Transformer具体指哪个？如何压缩？
- 两个模型输出如何融合？冲突时怎么处理？
- 你实际部署过吗？遇到了什么算子兼容问题？
避坑提醒
不同公司感知岗位面试侧重点对比
提前了解目标公司的技术栈和考核偏好，能让你在回答中更精准地贴合其需求。
| 公司 | 主流技术栈偏好 | 面试考核侧重点 | 回答策略建议 |
|---|---|---|---|
| 百度 Apollo | BEV+Transformer、占用网络 | 算法创新性、复现能力、大模型经验 | 强调你对 Occupancy Network 或 DETR3D 的理解，可引用实验 |
| 华为 ADS | 自研昇腾芯片 + 多模态融合 | 端到端部署、算子优化、软硬协同 | 突出量化、剪枝、NPU适配等工程经验 |
| 小鹏汽车 | 纯视觉 + Transformer (XNet/感知大模型) | 数据闭环、长尾场景、落地效率 | 展示你处理数据标注、自动挖掘、模型迭代的完整链路 |
| Waymo | LiDAR+Radar+Camera 融合 | 系统容错、时序融合、鲁棒性 | 重点讲多传感器时间戳对齐、Kalman滤波等底层细节 |
| 特斯拉 | 纯视觉 (Occupancy / HydraNet) | 模型精度与计算效率的极端平衡 | 强调你对轻量化网络、蒸馏、半精度训练的实战经验 |