自动驾驶面试必问的15个问题：感知+规划+控制全链路覆盖

背景介绍

我之前一直在做传统计算机视觉，去年开始转自动驾驶方向，面了大概五六家做自动驾驶的公司，包括造车新势力、传统车企的自动驾驶部门、还有几家做L4的创业公司。说实话，自动驾驶面试的覆盖面真的很广，从感知到规划到控制，每个模块都能单独出一套面试题。我整理了15道高频必问题，基本覆盖了面试官最爱考的知识点，希望能帮到正在准备的同学。

面试流程复盘

自动驾驶岗位的面试流程一般是：简历筛选→技术一面（基础+感知）→技术二面（规划+控制）→技术三面（系统设计或项目深挖）→HR面。有个很明显的特点，就是面试官会根据你的背景定向提问。比如你简历上写了3D目标检测，他就会从BEV感知一路问到多传感器融合；如果你写了规划，他就会从行为预测问到运动规划再到时空联合优化。所以简历上写的东西一定要能扛住深挖。我有个朋友在二面被问到"你做的3D检测在夜间场景下性能下降多少，怎么解决的"，他没准备这个，直接卡壳了。

真题汇总

一、感知（5题）

1. 3D目标检测的主流方法有哪些？PointPillars和CenterPoint的区别？

考察点：理解3D检测的技术路线和代表性方法。

答案方向：3D检测主要分点云方法和多模态方法。点云方法又分基于体素的（PointPillars、VoxelNet）和基于点的（PointNet++、CenterPoint）。PointPillars将点云划分为柱状体素（pillar），用PointNet提取特征后展开为伪图像，再用2D检测头。优点是速度快，适合实时部署。CenterPoint先用骨干网络提取BEV特征，再用CenterHead预测目标中心点和其他属性，通过关键点热力图做检测。CenterPoint的优势是不需要NMS（因为中心点是唯一的），精度更高，但速度稍慢。实际部署中PointPillars更常用，CenterPoint在学术benchmark上更优。

2. BEV感知是什么？为什么是当前主流方案？

考察点：理解BEV（鸟瞰图）感知的动机和优势。

答案方向：BEV感知是将多相机图像转换到统一的鸟瞰图空间进行感知。成为主流的原因：统一表示，多相机特征在BEV空间自然对齐，无需后融合；适合下游任务，规划和控制都在BEV空间工作，感知结果直接可用；时序融合方便，BEV空间下不同时刻的特征对齐简单。主流方案分基于LSS的（Lift-Splat-Shoot，显式预测深度分布做3D投影）和基于Transformer的（BEVFormer，用交叉注意力做特征查询）。BEVFormer精度更高但计算量大，LSS系列更轻量。特斯拉的Occupancy Network也是BEV感知的延伸。

3. 多传感器融合有哪些方式？前融合和后融合的区别？

考察点：理解传感器融合的策略和选择。

答案方向：融合方式按层次分：前融合（数据级），原始数据直接融合，信息保留最完整但对齐要求高；特征融合，各传感器提取特征后在中间层融合，是当前主流方案；后融合（目标级），各传感器独立检测后融合结果，实现简单但信息损失大。按时间分：早融合（输入时融合）和晚融合（输出时融合）。当前趋势是特征级融合，如BEVFusion将LiDAR点云和相机图像在BEV特征空间融合。前融合信息量最大但对标定和同步要求极高，后融合最简单但丢失了互补信息。

4. 车道线检测怎么做？有哪些挑战？

考察点：理解车道线检测的方法和难点。

答案方向：车道线检测方法：分割方法（将车道线像素分割出来，如SCNN）；检测方法（直接回归车道线参数，如PolyLaneNet）；Anchor-based方法（如LineCNN用行锚点检测）；Transformer方法（如CLRNet用交叉注意力精修车道线）。主要挑战：遮挡（前车遮挡、弯道遮挡）；磨损（老旧车道线不清晰）；复杂拓扑（分合流、交叉路口）；光照变化（逆光、夜间、雨雪）。当前工业界更倾向于用参数化表示（如三次多项式或贝塞尔曲线）来建模车道线，比像素级分割更鲁棒。

5. 多目标跟踪（MOT）的主流方法？

考察点：理解目标跟踪的技术路线。

答案方向：MOT分基于检测的跟踪（DBT）和联合检测跟踪（JDT）。DBT是先检测再关联，代表方法有SORT/DeepSORT（用卡尔曼滤波+匈牙利算法做数据关联）。JDT是检测和跟踪端到端做，代表方法有TrackFormer、MOTR（用DETR架构做联合检测跟踪）。当前自动驾驶中DBT仍是主流，因为工程上更可控。关联算法的核心是特征匹配（外观特征+运动特征），DeepSORT用ReID特征做外观匹配，ByteTrack用检测分数做分层关联。3D MOT还需要考虑3D位置和速度信息做关联。

二、规划（5题）

6. 行为预测怎么做？有哪些不确定性？

考察点：理解轨迹预测的方法和不确定性建模。

答案方向：行为预测分确定性预测和概率性预测。确定性预测输出一条轨迹，概率性预测输出多条可能轨迹（多模态）。主流方法：编码-交互-解码框架，先用向量编码器提取道路和Agent特征，再用交互模块建模Agent间关系，最后用解码器生成轨迹。代表方法：MultiPath（锚点+偏移）、CoverNet（覆盖集合）、MotionFormer（Transformer架构）。不确定性来源：认知不确定性（模型自身的不确定性，可通过集成估计）和偶然不确定性（环境本身的随机性，如行人意图不可预测）。工业界常用多模态预测（输出top-K条轨迹及概率）来应对不确定性。

7. 运动规划的方法有哪些？怎么处理动态障碍物？

考察点：理解运动规划的核心算法和动态场景处理。

答案方向：运动规划分搜索方法（A*、Hybrid A*）和优化方法（二次规划、非线性优化）。搜索方法在配置空间中搜索路径，适合有复杂约束的场景；优化方法在初始解附近迭代优化，速度快但依赖初始解。处理动态障碍物：时空规划（在x-y-t三维空间规划，同时考虑空间和时间）；预测+规划（先预测动态障碍物轨迹，再在预测结果上规划）；交互规划（考虑自车行为对他车的影响，做博弈论规划）。工业界常用分层架构：行为规划（决策）→运动规划（轨迹生成）→控制（跟踪）。

8. Lattice Planner的原理是什么？

考察点：理解Lattice Planner的工作机制。

答案方向：Lattice Planner的核心思想是在终点空间采样，生成一组候选终点，对每个终点用多项式（通常五次多项式）连接起点和终点生成候选轨迹，然后对候选轨迹做代价评估（考虑舒适性、安全性、效率等），选择代价最小的轨迹。Lattice Planner的优点：实时性好（采样+评估的计算量可控）；可解释性强（代价函数的权重可以调）；容易加入约束（直接在代价函数中加惩罚项）。缺点：采样密度和计算量的矛盾（采样太稀疏可能错过好轨迹，太密集计算量大）；对终点空间的设计敏感（终点采样策略直接影响规划质量）。

9. 决策树在自动驾驶中怎么用？

考察点：理解行为决策的方法。

答案方向：决策树在自动驾驶中用于行为决策层，决定自车应该执行什么行为（跟车、变道、让行等）。实现方式：规则决策树（基于专家经验构建if-else规则，简单但难以覆盖所有场景）；POMDP（部分可观测马尔可夫决策过程，可以建模不确定性，但计算复杂度高）；强化学习（端到端学习决策策略，泛化性好但安全性难保证）。工业界目前以规则+状态机为主，辅以少量学习方法。规则决策树的核心挑战是场景覆盖和规则冲突，需要大量的测试和迭代来完善规则库。

10. 时空联合规划是什么？比分离式规划好在哪里？

考察点：理解时空联合优化的优势。

答案方向：传统分离式规划是先做路径规划（s-l空间），再做速度规划（s-t空间），两步解耦。时空联合规划是在x-y-t三维空间同时优化路径和速度。联合规划的优势：更优解（分离式规划的两个子问题可能都不是全局最优，联合规划可以找到更好的解）；处理动态场景更自然（动态障碍物在时空空间中是"障碍柱"，联合规划可以自然绕开）；更平滑（路径和速度同时优化，轨迹更平滑舒适）。劣势：计算量大（三维优化空间比二维大很多）；求解更难（非凸优化问题更复杂）。实际中常用粗规划+精优化的策略：先用搜索方法在时空空间找粗解，再用优化方法精修。

三、控制（3题）

11. MPC在自动驾驶中怎么用？和PID的区别？

考察点：理解模型预测控制的原理和优势。

答案方向：MPC的核心思想是在每个时刻求解一个有限时域内的最优控制问题，只执行第一步控制量，然后滚动优化。MPC的优势：可以处理约束（速度约束、加速度约束、道路边界约束等）；可以预测未来（基于模型预测未来状态，提前规划控制动作）；可以优化多目标（舒适性、安全性、跟踪精度等加权优化）。和PID的区别：PID是反馈控制，只看当前误差；MPC是预测控制，看未来时域内的误差。MPC更智能但计算量更大，PID更简单但无法处理约束。自动驾驶中纵向控制常用MPC（处理跟车距离约束），横向控制MPC和PID都有。

12. PID控制的参数怎么调？有什么技巧？

考察点：理解PID调参的实践经验。

答案方向：PID调参的基本顺序：先调P（比例增益，增大P使响应变快但可能振荡）；再调D（微分增益，增大D抑制振荡但可能放大噪声）；最后调I（积分增益，消除稳态误差但可能引起超调）。实用技巧：增量式调参（每次只调一个参数，观察效果）；频域分析（用Bode图分析稳定裕度）；自适应PID（不同速度/曲率下用不同参数，查表法）；抗积分饱和（加积分限幅防止windup）。自动驾驶中PID调参的难点是不同工况需要不同参数，高速和低速、直道和弯道的最优参数差异很大，通常需要做参数调度。

13. 轨迹跟踪的误差来源有哪些？怎么减小？

考察点：理解轨迹跟踪的精度问题和改进方法。

答案方向：误差来源：模型误差（车辆动力学模型不精确，如轮胎侧偏刚度估计不准）；延迟误差（传感器延迟、计算延迟、执行器延迟，总延迟可达100-200ms）；离散化误差（规划轨迹是连续的，控制是离散执行的）；干扰（路面坡度、风力、载荷变化等）。减小误差的方法：延迟补偿（在控制计算时预测延迟时间后的车辆状态作为当前状态）；模型改进（用更精确的车辆模型，如考虑轮胎非线性的模型）；前馈控制（根据参考轨迹的曲率计算前馈转向角，减少跟踪误差）；自适应控制（在线估计模型参数，实时调整控制器）。

四、系统（2题）

14. 高精地图在自动驾驶中的作用？无图方案可行吗？

考察点：理解高精地图的价值和去图化趋势。

答案方向：高精地图提供先验环境信息：车道级拓扑、道路几何、交通标志位置等，作用是降低感知负担、提供超视距信息、辅助定位。高精地图的问题：鲜度维护（道路变化后地图需要及时更新，成本极高）；覆盖范围（只覆盖已采集区域，无法开城即用）；法规风险（测绘资质限制）。无图方案的思路：在线建图（用车端传感器实时构建局部高精地图，如StreamMapNet）；端到端（跳过地图直接从感知到规划，如特斯拉的方案）。目前行业趋势是"轻地图"方案：保留地图的拓扑信息，去掉几何细节，用车端感知补充。完全无图在L2+可行，L4还需要地图辅助。

15. 自动驾驶仿真测试怎么做？有哪些指标？

考察点：理解仿真测试的方法和评估体系。

答案方向：仿真测试分软件在环（SIL）、硬件在环（HIL）和车辆在环（VIL）。SIL最轻量，纯软件仿真；HIL接入真实ECU，测试软硬件集成；VIL在封闭场地用真实车辆+虚拟场景。仿真平台：CARLA（开源，学术常用）、VTD、PreScan、Waymo的Simulation City。关键指标：碰撞率（最基本的安全指标）；通过率（场景完成的百分比）；舒适性指标（加速度jerk、横向加速度等）；效率指标（到达时间、通行效率）。仿真的核心挑战是仿真到现实的gap（Sim2Real Gap），传感器模型、环境模型、车辆模型的不精确都会导致仿真结果和真实表现不一致。

心得建议

自动驾驶面试最大的特点是系统性很强。你不仅要懂自己做的模块，还要理解上下游模块怎么配合。比如做感知的，面试官会问"你的检测结果怎么给规划用，格式是什么，延迟要求多少"；做规划的，会问"感知结果有误检你怎么处理"。所以准备面试时一定要有全链路思维。

第二个建议是项目细节要能扛住追问。面试官特别爱问"为什么选这个方案而不是那个方案"，"这个模块的性能瓶颈在哪，怎么优化的"。如果你只是调了个API，说不清原理，很容易被问住。

第三个建议是关注行业动态。自动驾驶技术迭代很快，BEV感知、端到端、Occupancy Network这些新技术面试官很爱问。建议面试前看看最近半年各大公司的技术博客和论文。

FAQ

Q：自动驾驶面试需要会C++吗？

A：基本必须。自动驾驶的工程实现几乎都是C++，面试中可能会让你手写简单的算法实现。Python也要会，用于数据处理和模型训练。

Q：没有自动驾驶经验怎么转行？

A：可以从自己原有方向切入。做CV的转感知，做优化的转规划，做控制的直接对口。关键是补齐领域知识，比如做感知的要学3D视觉和点云处理。

Q：面试被问到不熟悉的模块怎么办？

A：诚实说这个模块我了解不深，但可以说说自己的理解。面试官更看重你能不能快速理解新领域，而不是什么都懂。

Q：需要看哪些论文？

A：感知：PointPillars、CenterPoint、BEVFormer、BEVFusion。规划：MultiPath、CoverNet、MotionFormer。控制：MPC相关教材。系统：CARLA仿真相关。每个方向至少看3-5篇代表性论文。

Q：端到端自动驾驶会取代模块化方案吗？

A：短期内不会。端到端在L2+场景有进展（如特斯拉），但L4的安全性和可解释性要求使得模块化方案仍是主流。未来可能是模块化+端到端的混合方案。