第四章 自动驾驶规划基础知识面试：路径规划、行为预测、控制算法高频考点

面试问题：请对比 A* 和 RRT 在自动驾驶路径规划中的优缺点及适用场景。

面试官考察点：对经典搜索算法与采样算法的理解深度；能否结合真实场景（结构化道路 vs 非结构化）分析权衡；是否有实际工程选型经验。

回答框架：① 简述两种算法核心思想（A* 启发式搜索 vs RRT 随机采样）。② 对比关键维度：最优性、实时性、对环境建模的依赖。③ 结合场景说明：高速结构化道路常用 A* 变体（Hybrid A*），城区/越野用 RRT 或 RRT*。

示例回答：“A* 保证最短路径，但需完整栅格地图，实时性随分辨率急剧下降；RRT 在高维空间采样更快，但路径不平滑且不最优。比如在高速场景，我们使用 Hybrid A* 结合 Reeds-Shepp 曲线满足车辆运动学约束；在泊车场景则用 RRT* 渐近优化并做 B样条平滑。”

可能追问：① Hybrid A* 如何保证实时性？② RRT 改进版本有哪些？③ 动态障碍物下如何重规划？

避坑提醒：不要只空洞讲优缺点，必须绑定一个具体场景（如高速 vs 城区）来展示工程判断；避免回答“A* 更好”这种结论。

面试问题：在自动驾驶行为预测中，如何处理目标车辆的多模态可能性（例如路口直行/左转/右转）？

面试官考察点：多模态预测方法论掌握程度；是否理解后处理融合与端到端建模的区别；能否用概率或代价函数输出可执行决策。

回答框架：① 明确多模态来源（驾驶意图随机性+传感器噪声）。② 方法分类：生成式（GAN/VAE）输出多条轨迹、判别式（分类+轨迹回归）、基于规则（转弯灯/地图先验）。③ 如何用于规划：保留 Top-K 轨迹，用代价函数（安全/舒适/效率）排序。

示例回答：“我们采用基于意图分类 + 轨迹回归的两阶段方案：先依据车辆当前位置与地图拓扑预测直行/左转/右转概率，再为每个意图单独预测多条轨迹。最后保留 Top-3 轨迹，通过碰撞检查和自车代价选择最安全的一条传递给规划模块。”

可能追问：① 如何处理停留/切入等非规则意图？② 预测 horizon 多长？③ 训练数据不平衡（直行占90%）怎么解决？

避坑提醒：不要只说“使用概率模型”就结束；要说明具体输出格式（轨迹数量、置信度、时间戳）以及如何向下游规划传递。强调与规划模块的接口设计。

面试问题：请解释 PID 与 MPC 在车辆横向控制中的核心区别，为什么越来越多的量产方案选择 MPC？

面试官考察点：对经典控制与优化控制的理解；是否了解时域约束处理方法；对实时性/最优性取舍的实际经验；是否有 MPC 参数调优经历。

回答框架：① PID 为无模型控制，只考虑当前误差；MPC 为模型预测控制，带约束优化未来 N 步。② MPC 优势：可显式处理执行器限位、安全边界（侧向加速度）、轨迹跟踪误差。③ 量产落地要点：简化模型（线性时变 MPC）、高效求解器（OSQP/CVXGEN）、自适应控制周期。

示例回答：“PID 简单响应快，但弯道曲率突变时容易超调；MPC 通过带约束的在线优化，主动考虑未来曲率和执行器限位，跟踪精度提升 >30%。我们量产项目使用 LTV-MPC，模型采用单轨离散步长，优化变量控制在 30 个以内，在 10ms 内完成求解。”

可能追问：① 如何确定 MPC 的预测时域和控制时域？② 如何处理车辆动力学参数（质量、路面附着）的变化？③ 失效降级策略（如 MPC 求解超时退回到 PID）。

避坑提醒：不要贬低 PID，PID 在简单场景成本低且可靠；强调 MPC 的优势要落在约束处理和前馈特性上。提及参数标定（权重矩阵 Q/R）的工程经验更加分。