第4章 模拟面试清单与练习计划
模拟面试是检验知识体系与临场反应的最佳手段。本章提供高频问题清单、时间分配策略及结构化回答框架，帮助你在有限时间内高效突破面试。
模拟面试高频问题清单
| 类别 | 典型问题 | 考察核心 |
|---|---|---|
| 控制算法 | 解释PID控制器原理及调参方法 | 基础理论、工程直觉 |
| 控制算法 | MPC相比PID的优缺点？如何建模？ | 算法理解、约束处理 |
| 状态估计 | 卡尔曼滤波为何适用于融合？ | 滤波原理、协方差意义 |
| 车辆动力学 | 自行车模型和运动学模型区别？ | 模型假设、适用场景 |
| 系统设计 | 横向控制与纵向控制如何耦合？ | 系统思维、解耦策略 |
| 编程实现 | 如何用C++实现一个离散状态空间控制器？ | 代码能力、数值稳定 |
| 项目深挖 | 你在项目中遇到过最大的控制难题是什么？ | 问题定位、方法论 |
| 开放问题 | 如果传感器失效，控制该如何降级？ | 鲁棒性、场景推理 |
| 数学基础 | 矩阵求导在优化中如何应用？ | 数学熟练度 |
| 系统调试 | 实际路测时控制效果异常怎么排查？ | 调试流程、数据分析 |
结构化回答框架
面试官不只看答案对错，更关注你拆解问题、组织逻辑的能力。下列框架适用于绝大多数技术问题：
问答卡片
🎯 问题1：请解释PID控制器的基本原理及在自动驾驶中的应用
面试官考察点：理论扎实程度 + 工程调参经验 + 场景联想能力
回答框架
1. 从公式出发说明P、I、D各自作用；
2. 给出工程调参注意事项（积分限幅、微分滤波）；
3. 结合路径跟踪实例说明应用。
简短示例回答
PID根据误差产生比例、积分、微分控制量。P减小当前偏差，I消除静差，D抑制震荡。在横向控制中，以侧向偏差为输入，输出期望转向角。实际中需对积分项做限幅，微分项加低通滤波，避免噪声放大。
可能追问：如果遇到饱和积分如何解决？怎么手动整定PID参数？
🎯 问题2：谈谈你对模型预测控制（MPC）的理解
面试官考察点：优化理论掌握程度 + 系统建模能力 + 实时性意识
回答框架
1. 概念：预测模型 + 滚动优化 + 反馈校正；
2. 核心：带约束的二次规划问题；
3. 自动驾驶中的应用：轨迹跟踪、避障控制。
简短示例回答
MPC利用系统模型在有限时域内预测未来状态，求解带约束的优化问题得到控制序列，仅执行第一个控制量并重复滚动。在轨迹跟踪中，通常用自行车模型作为预测模型，目标函数为跟踪误差与控制量的加权，约束包括转向角极限和加速度限制。
可能追问：MPC与LQR相比优缺点？如何降低MPC计算时延？
🎯 问题3：请描述一个你解决过的控制算法工程问题
面试官考察点：项目复杂度 + 问题定位能力 + 量化结果意识
回答框架
使用STAR法则：Situation – Task – Action – Result。
简短示例回答
S：开发APA自动泊车控制器；T：在狭窄车位时MPC求解耗时超过50ms；A：改用显式MPC（eMPC）离线查表 + 在线线性插值；R：求解时间降至3ms，泊车成功率从85%提升至98%。
可能追问：为什么不用PID？eMPC的精度损失如何评估？
模拟面试时间分配建议
| 环节 | 时间占比 | 重点内容 |
|---|---|---|
| 自我准备（30min） | — | 整理项目亮点、背诵核心公式、复习高频题 |
| 自我介绍（3min） | 10% | 突出控制方向、项目产出、技术栈 |
| 技术问答（20min） | 50% | 控制算法、状态估计、车辆动力学 |
| 项目深挖（10min） | 25% | STAR细节、数据验证、失败经验 |
| 编码/手撕（5min） | 15% | 简单算法或状态空间离散化实现 |
| 反问环节（2min） | — | 技术落地、团队协作、成长路径 |
模拟演练反馈表
每次模拟面试后应记录得分与改进点，逐步闭环提升。
| 评分项 | 满分 | 得分 | 改进点 |
|---|---|---|---|
| 理论基础清晰度 | 25 | 20 | MPC约束条件漏述一个 |
| 项目讲解逻辑性 | 25 | 22 | 缺少A/B对比实验结果 |
| 临场反应速度 | 20 | 16 | 追问卡顿明显 |
| 表达结构化 | 15 | 13 | 回答有些发散 |
| 代码/手撕正确性 | 15 | 10 | 指针索引出错 |
| 总分 | 100 | 81 | 重点补MPC细节和手撕代码 |