第2章 高频面试问题与回答框架
面试官通过高频问题快速评估候选人的逻辑表达、技术深度、工程思维、行业匹配度。本章总结三大问题类型，给出可复用的答题结构，并标注不同公司的侧重点差异，帮助你在回答时精准命中考察点。
常见问题分类与公司偏好速查
| 问题类别 | 典型问题示例 | 考察重点 | 公司侧重点 |
|---|---|---|---|
| 项目经历 | 请用STAR描述你参与的一个规划项目 | 结构化表达、项目深度、技术落地 | 百度：工程细节；小马：算法创新；滴滴：场景覆盖 |
| 技术场景 | 如何处理突然切入场景？ | 算法功底、实时性、安全冗余 | 华为：系统耦合；Momenta：数据驱动；元戎：轻量化 |
| 行业认知 | 百度Apollo与华为规划技术差异？ | 技术视野、公司匹配度 | 所有公司看重：不贬低竞品，结合自身方向表达 |
Q1：请用STAR法则描述你参与的一个规划项目
面试官考察点：结构化表达能力、项目参与度、核心贡献、量化思维
回答框架： Situation → Task → Action → Result，Action部分突出技术挑战与创新点，Result必须有具体指标
示例回答：在XX项目城市道路规划中，我负责混合A* + 梯度优化模块。面对密集车流，通过启发式搜索与碰撞约束重排序，使单帧求解时间降低30%，在2000+仿真场景中成功率达98%。
可能追问： ① 为什么选混合A*而不是RRT？ ② 梯度优化具体怎么保证实时性？ ③ 如果遇到动态障碍物怎么处理？
避坑提醒： ① 不要只讲结果不讲过程，缺少技术细节会被认为“搬运工”。 ② 量化指标避免模糊（如“很大提升”），用具体数字。 ③ 分清个人贡献和团队合作，不要揽功。
Q2：自动驾驶中遇到突然切入场景，你如何设计规划方案？
面试官考察点： 场景理解、算法选型、安全与舒适平衡、工程落地经验
回答框架： 场景危险特征描述 → 算法思路（预测+反应式/交互博弈/参数调整） → 实车/仿真验证 → 失败处理与冗余设计
示例回答： 我采用基于潜在博弈的交互预测，同时规划多候选轨迹。优先选择预瞄更远的策略，当切入概率>70%时提前梯度调速。实车测试急刹减少40%，乘员舒适度评分提升15%。
可能追问： ① 预测失误时如何兜底？ ② 如果连续切入如何处理？ ③ 参数如何标定？
避坑提醒： ① 避免只谈理想假设，必须提到失败case和冗余机制。 ② 不要回避“预测不准”的本质问题，强调多层安全策略。 ③ 实车/仿真数据要具体，比如“测试了300h无事故”。
Q3：百度Apollo、小马智行、华为在规划技术上的主要差异是什么？
面试官考察点： 行业视野、技术洞察、公司匹配度、客观分析能力
回答框架： 共同点（保证安全/实时） → 差异化角度（开源vs闭源、模块化vs端到端、系统耦合度） → 自身偏好与岗位契合度
示例回答： 百度Apollo提供完整开源框架，便于快速验证；小马智行专注端到端学习与实车体验；华为强调感知-规划-控制协同，系统鲁棒性强。我倾向于传统规划+学习融合，与百度布局更匹配。
可能追问： ① 你认为未来规划技术趋势？ ② 如果让你选一家公司，理由是什么？ ③ 你对他们近期的技术发布会了解吗？
避坑提醒： ① 绝不要贬低任何一家公司（比如“XX方案太落后”）。 ② 避免纯理论比较，最好结合自己的项目经历谈倾向。 ③ 提前了解目标公司最新技术动态，体现诚意。