📚 课程目录第2章高频面试问题与回答框架

第2章：高频面试问题与回答框架

在自动驾驶规划面试中，同样的技术问题，不同企业考察的深度和角度差异明显。本章提炼三大高频问题，拆解考官真实意图，并给出可复用的回答框架，帮你避开“答非所问”“过度发散”等常见陷阱。

🎯 考察点：是否理解决策框架（有限状态机 vs 行为树 vs POMDP）；是否考虑安全/舒适/效率的trade-off；有没有实际落地细节。

📌 回答框架：先确认场景（L4高速还是城区） → 选型（FSM+状态转移图） → 关键函数（路口让行、变道决策） → 边界处理（感知不确定性下的决策降级） → 工程启示（代码可维护性）。

✏️ 示例回答：“我使用分层有限状态机，分为巡航、跟车、变道、停车四状态。每个状态内用规则引擎处理优先级，比如变道时需目标车道后方车辆间距大于3秒。遇到感知丢失，状态降级为巡航并限速。该方案在国内多个园区实车验证，决策延迟<10ms。”

⚠️ 可能追问：多目标物同时进入决策区域怎么处理？状态机状态膨胀如何解决？你有遇到过死锁吗？

🚫 避坑提醒：不要只谈理论不谈实现；别提“用深度强化学习”但说不清网络结构或训练数据；避免说“很简单”这类轻视表述。

🎯 考察点：对时空联合规划的理解；是否掌握S-T图、速度规划、避撞策略；是否考虑实时性。

📌 回答框架：问题边界（直行还是路口） → 选型（Frenet坐标系+多项式或QP） → 实现细节（S-T图中动态障碍物投影为矩形，用A*或DP做粗搜索+QP平滑） → 边界处理（障碍物突然切入时触发重规划） → 总结（规划周期控制在50ms）。

✏️ 示例回答：“在Frenet坐标系下，将动态障碍物转换为S-T空间中的动态矩形，先使用DP在S-T图上生成粗轨迹，再用OSQP进行二次优化。当障碍物突然切入时，触发横向紧急避让+纵向减速，并在下一个周期重规划。实车测试中避撞成功率达99.5%。”

⚠️ 可能追问：S-T图中的矩形怎么计算？障碍物速度不确定时如何处理？DP与QP的cost function分别怎么设计？

🚫 避坑提醒：不要只说“我用A*”，要说明状态空间维度；避免忽略预测模块的输入；切忌抱怨其他团队模块不准。

🎯 考察点：工程嗅觉；对soft/hard constraints、fallback、参数自适应、冗余设计的理解。

📌 回答框架：从三个方面展开：
① 输入层：异常数据过滤+插值填补；
② 核心层：多解候选+软约束优先级；
③ 输出层：轨迹合法性校验（曲率、加速度、碰撞检查）+ 安全止动。

✏️ 示例回答：“我通过三方面保证鲁棒：1）预处理模块做传感器时序对齐和异常剔除；2）规划时生成5条候选轨迹并选最优；3）输出前校验曲率、加速度、碰撞，若全部不通过则触发安全止动并告警。实际运营中因规划导致的安全事故为0。”

⚠️ 可能追问：候选轨迹的多样性怎么保证？校验失败了如何恢复？参数自适应的经验规则如何设计？

🚫 避坑提醒：不要只谈理论不谈指标；别说“我们系统从不失效”；避免把责任抛给其他模块。

公司	考察侧重	典型追问方向
百度 Apollo	系统架构、状态机、S-T图细节、开源代码理解	Apollo决策链路的优劣；如何修改优化
华为 ADS	安全冗余、多传感器融合下的规划、嵌入式优化	算力受限时的算法精简；故障降级策略
小鹏	城市场景交互博弈、换道决策、learning based planning	模仿学习vs强化学习的选择；数据闭环
Momenta	数据驱动的决策、仿真评估、corner case 挖掘	如何处理长尾场景；仿真与实车差异

💡 面试准备建议：针对目标公司，在回答中主动对标其技术栈（如华为用MDC，百度用CyberRT）；展示你读过其开源文档或；用具体指标（延迟、成功率、在线更新频率）让回答更可信。