📚 课程目录第3章路径规划与轨迹生成技术面试

路径规划与轨迹生成技术面试：Frenet坐标系、凸优化、QP、样条曲线、时间一致性问题

本章聚焦自动驾驶规划面试中的核心数学与算法模块。面试官会从坐标系变换入手，追问凸优化建模、QP求解器选型、样条曲线平滑以及实时轨迹的时间一致性。掌握这些概念的内在逻辑与常见陷阱，是拿到高阶offer的关键。

面试追问路径图：从坐标系基础到实时性陷阱

🎯 面试问题：请解释Frenet坐标系在自动驾驶路径规划中的作用，并说明如何将笛卡尔坐标下的障碍物转换到Frenet坐标系下。

🔍 面试官考察点：是否理解Frenet坐标系的核心动机（沿参考线解耦纵向与横向运动）；能否清晰推导坐标转换公式；是否注意到曲率影响。

📌 回答框架：① 点明Frenet坐标系以参考线s和侧向偏移l描述位置，降低约束复杂度；② 说出转换步骤：投影找到最近参考点→计算纵向s和横向l→处理曲率项修正；③ 强调曲率不为零时需用曲率半径校正。

💡 简短示例回答：“Frenet坐标系将规划解耦为纵向s和横向l，便于处理障碍物约束。转换时首先找离障碍物最近的参考线点，计算弧长s和横向偏移l，并利用该点曲率κ调整l = (x - x_r)·n_r / (1 - κ d_p)，其中d_p为投影距离。”

🔎 可能追问：如果参考线是退化的（曲率极大或自交）怎么办？如何保证s/l变换是双射？

⚠️ 避坑提醒：勿忽略曲率分母项；当参考线曲率过大时横向转换会畸变，需引入多参考线或分段处理。

🎯 面试问题：在轨迹优化中，为什么常用凸优化特别是二次规划（QP）？请描述一个典型QP问题的数学形式。

🔍 面试官考察点：是否能讲清楚凸优化优势（全局最优、求解效率高、实时性强）；是否掌握QP的标准形：min ½xᵀHx + fᵀx, s.t. Ax ≤ b；是否知道何时需要转为凸问题。

📌 回答框架：① 对比非凸问题：凸优化保证全局最优，QP求解器（如OSQP、qpOASES）可在毫秒级求解；② 举例：轨迹平滑代价（加速度、加加速度）可写成½xᵀHx形式；③ 说明约束处理：避障、动力学约束可线性化为Ax≤b。

💡 简短示例回答：“我们使用QP优化轨迹，代价函数为最小化加加速度平方和，写成½xᵀHx；约束包括位置边界、速度/加速度极限（线性不等式）。采用OSQP求解，每次迭代约2ms，满足20Hz规划需求。”

🔎 可能追问：如果成本或约束是非凸的，如何近似？QP与SQP、IPOPT的适用区别？

⚠️ 避坑提醒：避免直接说“我们只用QP”，应说明如何保证代价矩阵H半正定（如增加正则项），以及如何处理不可行解。

🎯 面试问题：如何保证轨迹生成本身的时间一致性？举例说明重新规划时可能出现的问题及解决方案。

🔍 面试官考察点：是否理解“时间一致性”指不同规划时刻输出的轨迹在时间和空间上无跳变；能否识别常见问题如初始状态不一致、规划周期不匹配、分段轨迹拼接不连续。

📌 回答框架：① 定义：每次规划输出的轨迹应与上一帧的预测状态平滑衔接；② 问题：重新规划时若只取最新状态，会忽略前一帧已规划的剩余部分，导致速度/加速度跳变；③ 方案：使用公共的参考时间戳，将上一帧轨迹的剩余段融入约束，或采用“向前滚动”方式保留最近一段轨迹。

💡 简短示例回答：“我们通过保留上一帧规划的最后0.5秒轨迹作为优化起点，并在代价中加入末端状态偏差惩罚。同时统一所有参与规划的传感器时间戳，避免因延迟导致的错位。”

🔎 可能追问：如果规划周期波动（如50ms→100ms），如何调整时间一致性？样条曲线的首末端点条件如何保证C²连续？

⚠️ 避坑提醒：不要只提“加时间戳”，要具体说明如何做软约束（如末端代价）或硬约束（如固定起点状态）。时间离散精度（如样条节点间距）也会影响一致性。

💡 加分技巧：在回答样条曲线相关问题时，主动提及“使用四次/五次多项式保证加加速度连续”或“B样条的局部支撑性可提高计算效率”，能体现工程深度。