📚 课程目录第2章高频面试问题与回答框架

2. 高频面试问题与回答框架

本章聚焦自动驾驶规划面试中最常出现的三类问题：项目行为题（STAR）、算法原理题（A* vs RRT）、系统设计题（预测与规划交互）。掌握结构化应答框架，能帮助你在不同风格的面试官前稳定发挥，同时针对百度、小马、滴滴等公司偏好进行针对性准备。

面试官考察点	问题拆解能力 / 系统性思维 / 面对不确定性的处理方式 / 对规划层次（行为 + 运动）的本质理解
回答框架	STAR + 技术难点 + 量化结果
简短示例回答	“我处理过最复杂的场景是高峰期无保护左转，难点在于行人遮挡。我采用基于 POMDP 的决策模型，在规划循环中推理被遮挡行人意图，同时保留安全制动防御策略。最终在仿真中达到 95% 通行成功率，零安全干预，实车测试通过。” （字数：98字）
可能追问	1. POMDP 的在线计算开销很大，你如何解决实时性问题？ 2. 如果不采用 POMDP，你还有什么替代方案？ 3. 你的模型如何泛化到其他交互场景？
避坑提醒	❌ 不要只讲成功，要强调你如何量化风险和不确定性。 ❌ 避免笼统的“团队合作”回答，要突出你的具体规划逻辑贡献，如“我独立设计了防守/激进两种策略切换机制”。

面试官考察点	算法基础功底 / 对不同搜索空间的理解 / 工程判断与场景适配能力
回答框架	定义差异 → 最优性与完备性对比 → 高维性能 → 适用场景 → 改进思路
简短示例回答	“A* 是基于图的确定性搜索，保证低维最优解；RRT 是基于采样的概率搜索，更擅长高维非凸空间。结构化道路如高速，我选 A* 保证路径质量；停车场或越野场景，状态空间大，我会用 RRT* 快速探索可行轨迹并用曲线平滑。” （字数：97字）
可能追问	1. 如何改进 RRT 解决其路径不平滑的问题？ 2. 讲讲 Hybrid A* 是如何结合二者优点的？ 3. 在动态环境下，你会如何扩展 A* 或 RRT？
避坑提醒	❌ 不要只说“RRT 更快”，要明确“在高维或复杂约束下，RRT 通过采样能在有限时间内找到可行解，而 A* 的搜索空间会指数级增长”。 ❌ 不要忘记提 RRT* 或 Informed RRT* 的最优性改进。

面试官考察点	全局架构视野 / 对信息流与延迟的理解 / 处理不确定性的成熟度 / 前沿视野（博弈交互）
回答框架	传统串行缺陷 → 并行/交互式设计 → 博弈闭环（预测规划互反馈）→ 工程容错
简短示例回答	“我采用预测多模态轨迹 + 规划反向优化假设的博弈闭环结构。例如变道场景，规划器决策‘抢’或‘让’，预测据此更新周边车辆反应。为保证鲁棒性，我还设计了预测超时降级模块，一旦预测延迟超过 50ms，立即切换至最坏情况制动模式。” （字数：96字）
可能追问	1. 多模态预测的假设数量如何确定？ 2. 自车规划意图如何反向传递到预测模块？ 3. 这种交互式架构的算力开销如何评估？
避坑提醒	❌ 不要只谈理论理想模型（如理想博弈论），忽略工程容错（如降级策略）。 ❌ 不要忽视延迟，必须提及“规划等待预测结果的超时处理机制”。

公司	核心架构风格	高频考察点	关键词
百度 (Apollo)	规则+学习，EM Planner	决策与运动规划解耦、QP 优化	平滑性、二次规划、参考线
小马智行 (Pony.ai)	端到端与模块化结合	车道保持与变道博弈、Occlusion-aware	风险意识、意图共享
滴滴出行	安全性与冗余	泊车/低速场景规划、安全 envelope	故障降级、ISO 26262
华为 (Hi)	ODD 限定复杂交互	无保护转向、MDP/POMDP 决策	博弈论、多车协同
理想/蔚来等主机厂	量产落地	舒适性与效率平衡、参数调优	Cut-in 处理、规控联合调参

⚠️ 综合避坑提醒：
1. 回答算法题时，不要只背概念，务必结合“场景”说明选择理由。
2. 回答系统题时，不要只讲理想方案，务必提及“工程鲁棒性”（如超时、降级、默认安全行为）。
3. 回答项目题时，不要忽略指标，用“成功率/延迟减少/干预次数”等数据增强说服力。