第4章 高频面试题之轨迹优化：二次规划（QP）、模型预测控制（MPC）、样条曲线拟合
轨迹优化是自动驾驶规划系统的核心能力，面试中QP建模、MPC滚动优化、样条曲线平滑三大方向几乎必考。本章拆解高频问题的回答框架与考察意图，帮助你把算法原理转化为面试官认可的工程表达。
| 方法 | 核心思想 | 典型应用场景 | 面试高频考点 | 复杂度与实时性 |
|---|---|---|---|---|
| 二次规划（QP） | 凸优化 + 线性约束，最小化二次型代价函数 | 轨迹平滑、走廊约束、速度规划 | 凸性保证、约束松弛、求解器选型 | ⭐⭐ 毫秒级可解 |
| 模型预测控制（MPC） | 滚动时域 + 预测模型 + 反馈校正 | 轨迹跟踪、避障重规划、横纵向联合控制 | 预测时域设计、稳定性、计算延时补偿 | ⭐⭐⭐ 需优化求解效率 |
| 样条曲线拟合 | 分段多项式 + 连续性约束 + 控制点调节 | 路径平滑、曲率连续、参考线生成 | 连续阶次、端点条件、曲率约束处理 | ⭐ 计算轻量 |
面试策略提示：回答轨迹优化问题时，先明确问题类型（路径平滑 / 跟踪控制 / 避障重规划），再定位方法，最后展开建模与约束细节。以下框架图帮你快速组织回答逻辑。
问答卡 1：二次规划（QP）在轨迹优化中的应用
面试问题
请解释二次规划在自动驾驶轨迹优化中的建模过程，并举例说明如何处理不等式约束。
面试官考察点
▸ 是否理解QP的标准形式（
▸ 能否将轨迹平滑目标转化为二次型代价函数
▸ 如何处理安全性约束（如避障、车道边界）
▸ 对求解器（OSQP / qpOASES）的了解
min ½xᵀHx + fᵀx）▸ 能否将轨迹平滑目标转化为二次型代价函数
▸ 如何处理安全性约束（如避障、车道边界）
▸ 对求解器（OSQP / qpOASES）的了解
回答框架
问题定义 → 目标函数构建 → 约束建模 → 求解器选型 → 结果验证
简短示例回答
“轨迹平滑QP建模通常以横向位移和加速度为变量，代价函数包含加速度惩罚项和跟踪偏差项，约束包括车辆动力学边界和车道线不等式。使用OSQP可在2ms内解出最优轨迹，我曾在项目中通过松弛因子处理不可行约束，保证求解鲁棒性。”
可能追问
▸ 如何处理非凸约束？
▸ QP问题的凸性为什么重要？
▸ 当QP求解失败时你的兜底策略是什么？
▸ 对比OSQP和qpOASES的优劣
▸ QP问题的凸性为什么重要？
▸ 当QP求解失败时你的兜底策略是什么？
▸ 对比OSQP和qpOASES的优劣
避坑提醒
⚠ 常见失分点：只背公式不结合场景；忽略不等式约束的物理可行性；不讨论求解失败的处理机制；忘记提及约束松弛或软约束设计。
问答卡 2：模型预测控制（MPC）在轨迹跟踪中的实现
面试问题
结合车辆运动学模型，说明MPC如何实现轨迹跟踪控制？预测时域和控制时域如何选择？
面试官考察点
▸ 是否掌握MPC的滚动优化与反馈校正核心机制
▸ 能否建立合适的预测模型（单车模型 / 运动学模型）
▸ 预测时域与控制时域的设计依据
▸ 如何处理计算延时
▸ 能否建立合适的预测模型（单车模型 / 运动学模型）
▸ 预测时域与控制时域的设计依据
▸ 如何处理计算延时
回答框架
预测模型建立 → 滚动优化目标 → 约束处理 → 反馈校正 → 延时补偿
简短示例回答
“MPC使用单车模型作为预测模型，在预测时域N=10内最小化横向偏差与控制量增量。控制时域设为5以降低计算量，并通过延时补偿机制将上一时刻最优解的第一个控制量输入执行器。在实车测试中，60km/h下的跟踪误差稳定在±12cm以内。”
可能追问
▸ MPC的稳定性如何保证？
▸ 预测模型失配时如何自适应？
▸ 为什么选择运动学模型而非动力学模型？
▸ 非线性MPC与线性MPC的适用场景差异
▸ 预测模型失配时如何自适应？
▸ 为什么选择运动学模型而非动力学模型？
▸ 非线性MPC与线性MPC的适用场景差异
避坑提醒
⚠ 常见失分点：预测时域选择缺乏依据；忽略计算延时对控制效果的影响；不提及反馈校正机制；混淆MPC与LQR的区别。
问答卡 3：样条曲线拟合用于路径平滑
面试问题
在路径规划中如何使用样条曲线生成平滑轨迹？对比三次样条与B样条的核心区别。
面试官考察点
▸ 对样条曲线C²连续性的理解
▸ 能否根据场景选择样条类型（全局vs局部）
▸ 如何处理曲率约束和端点条件
▸ 参数化方法（弧长 / 弦长）的影响
▸ 能否根据场景选择样条类型（全局vs局部）
▸ 如何处理曲率约束和端点条件
▸ 参数化方法（弧长 / 弦长）的影响
回答框架
样条原理 → 类型对比 → 连续性约束 → 曲率控制 → 工程实现
简短示例回答
“三次样条在节点处保证C²连续，适合全局路径平滑；B样条通过控制点实现局部调整，避免修改一个点导致全局变动。我在项目中用B样条生成参考线，通过调节控制点权重限制曲率≤0.2/m，同时使用弦长参数化避免过冲。”
可能追问
▸ 样条曲线的曲率连续性如何保证？
▸ 如何处理路径上的曲率不连续点？
▸ B样条的节点矢量如何选取？
▸ 样条曲线与多项式拟合的比较
▸ 如何处理路径上的曲率不连续点？
▸ B样条的节点矢量如何选取？
▸ 样条曲线与多项式拟合的比较
避坑提醒
⚠ 常见失分点：只关注平滑性忽略曲率约束；不讨论端点条件（自然边界/固定边界）；混淆C¹与C²连续的实际影响；未考虑参数化方式对曲线形态的影响。
📌 项目案例：城市L4级自动驾驶轨迹规划系统
项目名称
城市道路全工况轨迹规划与跟踪系统
业务背景
面向L4级Robotaxi，在复杂城市道路（含环岛、施工区、无保护左转）实现安全舒适的轨迹生成与跟踪。
规模指标
最高车速60km/h │ 横向跟踪误差≤15cm │ 规划周期≤20ms │ 曲率变化率≤0.5/m² │ 累计测试里程10万+公里
技术栈
C++11/14 │ OSQP求解器 │ CasADi自动微分 │ Eigen3 │ ROS2 │ 车辆运动学与动力学模型
核心难点
① 多约束耦合下QP问题易不可行 → 设计分层松弛策略
② MPC计算延时导致控制抖动 → 引入延时补偿与状态预测
③ 样条曲线在环岛场景曲率超限 → 自适应控制点调节
② MPC计算延时导致控制抖动 → 引入延时补偿与状态预测
③ 样条曲线在环岛场景曲率超限 → 自适应控制点调节
面试高频追问
▸ OSQP的冷启动与热启动如何加速？
▸ 约束不可行时软约束权重如何调参？
▸ MPC的预测模型为何选择运动学而非动力学？
▸ 样条曲线曲率约束在代码中如何实现？
▸ 约束不可行时软约束权重如何调参？
▸ MPC的预测模型为何选择运动学而非动力学？
▸ 样条曲线曲率约束在代码中如何实现？
可迁移回答话术
“我在该项目中负责轨迹优化模块，采用分层架构：上层用B样条生成参考线并施加曲率约束，中层用QP做速度平滑，下层用MPC做轨迹跟踪。通过松弛因子+分层降维解决多约束不可行问题，将求解成功率从87%提升至99.3%。
面试官如果追问细节，重点突出你对约束物理含义的理解（如曲率约束对应车辆转向极限）和实时性优化手段（如OSQP热启动、矩阵预分解）。”
面试官如果追问细节，重点突出你对约束物理含义的理解（如曲率约束对应车辆转向极限）和实时性优化手段（如OSQP热启动、矩阵预分解）。”
本章小结：轨迹优化面试的底层逻辑是 “场景 → 方法 → 建模 → 求解 → 验证”。QP 讲清楚凸性与约束；MPC 展示滚动优化与反馈；样条曲线突出连续性与局部控制。把每个方法的工程落地细节和失效处理准备到位，就能在面试中建立系统性认知的优势。