自動駕駛面試必問的15個問題：感知+規劃+控制全鏈路覆蓋

背景介紹

我之前一直在做傳統計算機視覺，去年開始轉自動駕駛方向，面了大概五六家做自動駕駛的公司，包括造車新勢力、傳統車企的自動駕駛部門、還有幾家做L4的創業公司。說實話，自動駕駛面試的覆蓋面真的很廣，從感知到規劃到控制，每個模塊都能單獨出一套面試題。我整理了15道高頻必問題，基本覆蓋了面試官最愛考的知識點，希望能幫到正在準備的同學。

面試流程復盤

自動駕駛崗位的面試流程一般是：簡歷篩選→技術一面（基礎+感知）→技術二面（規劃+控制）→技術三面（系統設計或項目深挖）→HR面。有個很明顯的特點，就是面試官會根據你的背景定向提問。比如你簡歷上寫了3D目標檢測，他就會從BEV感知一路問到多傳感器融合；如果你寫了規劃，他就會從行為預測問到運動規劃再到時空聯合優化。所以簡歷上寫的東西一定要能扛住深挖。我有個朋友在二面被問到"你做的3D檢測在夜間場景下性能下降多少，怎麼解決的"，他沒準備這個，直接卡殼了。

真題匯總

一、感知（5題）

1. 3D目標檢測的主流方法有哪些？PointPillars和CenterPoint的區別？

考察點：理解3D檢測的技術路線和代表性方法。

答案方向：3D檢測主要分點雲方法和多模態方法。點雲方法又分基於體素的（PointPillars、VoxelNet）和基於點的（PointNet++、CenterPoint）。PointPillars將點雲劃分為柱狀體素（pillar），用PointNet提取特徵後展開為偽圖像，再用2D檢測頭。優點是速度快，適合實時部署。CenterPoint先用骨幹網絡提取BEV特徵，再用CenterHead預測目標中心點和其他屬性，通過關鍵點熱力圖做檢測。CenterPoint的優勢是不需要NMS（因為中心點是唯一的），精度更高，但速度稍慢。實際部署中PointPillars更常用，CenterPoint在學術benchmark上更優。

2. BEV感知是什麼？為什麼是當前主流方案？

考察點：理解BEV（鳥瞰圖）感知的動機和優勢。

答案方向：BEV感知是將多相機圖像轉換到統一的鳥瞰圖空間進行感知。成為主流的原因：統一表示，多相機特徵在BEV空間自然對齊，無需後融合；適合下游任務，規劃和控制都在BEV空間工作，感知結果直接可用；時序融合方便，BEV空間下不同時刻的特徵對齊簡單。主流方案分基於LSS的（Lift-Splat-Shoot，顯式預測深度分佈做3D投影）和基於Transformer的（BEVFormer，用交叉注意力做特徵查詢）。BEVFormer精度更高但計算量大，LSS系列更輕量。特斯拉的Occupancy Network也是BEV感知的延伸。

3. 多傳感器融合有哪些方式？前融合和後融合的區別？

考察點：理解傳感器融合的策略和選擇。

答案方向：融合方式按層次分：前融合（數據級），原始數據直接融合，信息保留最完整但對齊要求高；特徵融合，各傳感器提取特徵後在中間層融合，是當前主流方案；後融合（目標級），各傳感器獨立檢測後融合結果，實現簡單但信息損失大。按時間分：早融合（輸入時融合）和晚融合（輸出時融合）。當前趨勢是特徵級融合，如BEVFusion將LiDAR點雲和相機圖像在BEV特徵空間融合。前融合信息量最大但對標定和同步要求極高，後融合最簡單但丟失了互補信息。

4. 車道線檢測怎麼做？有哪些挑戰？

考察點：理解車道線檢測的方法和難點。

答案方向：車道線檢測方法：分割方法（將車道線像素分割出來，如SCNN）；檢測方法（直接回歸車道線參數，如PolyLaneNet）；Anchor-based方法（如LineCNN用行錨點檢測）；Transformer方法（如CLRNet用交叉注意力精修車道線）。主要挑戰：遮擋（前車遮擋、彎道遮擋）；磨損（老舊車道線不清晰）；複雜拓撲（分合流、交叉路口）；光照變化（逆光、夜間、雨雪）。當前工業界更傾向於用參數化表示（如三次多項式或貝塞爾曲線）來建模車道線，比像素級分割更魯棒。

5. 多目標跟蹤（MOT）的主流方法？

考察點：理解目標跟蹤的技術路線。

答案方向：MOT分基於檢測的跟蹤（DBT）和聯合檢測跟蹤（JDT）。DBT是先檢測再關聯，代表方法有SORT/DeepSORT（用卡爾曼濾波+匈牙利算法做數據關聯）。JDT是檢測和跟蹤端到端做，代表方法有TrackFormer、MOTR（用DETR架構做聯合檢測跟蹤）。當前自動駕駛中DBT仍是主流，因為工程上更可控。關聯算法的核心是特徵匹配（外觀特徵+運動特徵），DeepSORT用ReID特徵做外觀匹配，ByteTrack用檢測分數做分層關聯。3D MOT還需要考慮3D位置和速度信息做關聯。

二、規劃（5題）

6. 行為預測怎麼做？有哪些不確定性？

考察點：理解軌跡預測的方法和不確定性建模。

答案方向：行為預測分確定性預測和概率性預測。確定性預測輸出一條軌跡，概率性預測輸出多條可能軌跡（多模態）。主流方法：編碼-交互-解碼框架，先用向量編碼器提取道路和Agent特徵，再用交互模塊建模Agent間關係，最後用解碼器生成軌跡。代表方法：MultiPath（錨點+偏移）、CoverNet（覆蓋集合）、MotionFormer（Transformer架構）。不確定性來源：認知不確定性（模型自身的不確定性，可通過集成估計）和偶然不確定性（環境本身的隨機性，如行人意圖不可預測）。工業界常用多模態預測（輸出top-K條軌跡及概率）來應對不確定性。

7. 運動規劃的方法有哪些？怎麼處理動態障礙物？

考察點：理解運動規劃的核心算法和動態場景處理。

答案方向：運動規劃分搜索方法（A*、Hybrid A*）和優化方法（二次規劃、非線性優化）。搜索方法在配置空間中搜索路徑，適合有複雜約束的場景；優化方法在初始解附近迭代優化，速度快但依賴初始解。處理動態障礙物：時空規劃（在x-y-t三維空間規劃，同時考慮空間和時間）；預測+規劃（先預測動態障礙物軌跡，再在預測結果上規劃）；交互規劃（考慮自車行為對他車的影響，做博弈論規劃）。工業界常用分層架構：行為規劃（決策）→運動規劃（軌跡生成）→控制（跟蹤）。

8. Lattice Planner的原理是什麼？

考察點：理解Lattice Planner的工作機制。

答案方向：Lattice Planner的核心思想是在終點空間採樣，生成一組候選終點，對每個終點用多項式（通常五次多項式）連接起點和終點生成候選軌跡，然後對候選軌跡做代價評估（考慮舒適性、安全性、效率等），選擇代價最小的軌跡。Lattice Planner的優點：實時性好（採樣+評估的計算量可控）；可解釋性強（代價函數的權重可以調）；容易加入約束（直接在代價函數中加懲罰項）。缺點：採樣密度和計算量的矛盾（採樣太稀疏可能錯過好軌跡，太密集計算量大）；對終點空間的設計敏感（終點採樣策略直接影響規劃質量）。

9. 決策樹在自動駕駛中怎麼用？

考察點：理解行為決策的方法。

答案方向：決策樹在自動駕駛中用於行為決策層，決定自車應該執行什麼行為（跟車、變道、讓行等）。實現方式：規則決策樹（基於專家經驗構建if-else規則，簡單但難以覆蓋所有場景）；POMDP（部分可觀測馬爾可夫決策過程，可以建模不確定性，但計算複雜度高）；強化學習（端到端學習決策策略，泛化性好但安全性難保證）。工業界目前以規則+狀態機為主，輔以少量學習方法。規則決策樹的核心挑戰是場景覆蓋和規則衝突，需要大量的測試和迭代來完善規則庫。

10. 時空聯合規劃是什麼？比分離式規劃好在哪裡？

考察點：理解時空聯合優化的優勢。

答案方向：傳統分離式規劃是先做路徑規劃（s-l空間），再做速度規劃（s-t空間），兩步解耦。時空聯合規劃是在x-y-t三維空間同時優化路徑和速度。聯合規劃的優勢：更優解（分離式規劃的兩個子問題可能都不是全局最優，聯合規劃可以找到更好的解）；處理動態場景更自然（動態障礙物在時空空間中是"障礙柱"，聯合規劃可以自然繞開）；更平滑（路徑和速度同時優化，軌跡更平滑舒適）。劣勢：計算量大（三維優化空間比二維大很多）；求解更難（非凸優化問題更複雜）。實際中常用粗規劃+精優化的策略：先用搜索方法在時空空間找粗解，再用優化方法精修。

三、控制（3題）

11. MPC在自動駕駛中怎麼用？和PID的區別？

考察點：理解模型預測控制的原理和優勢。

答案方向：MPC的核心思想是在每個時刻求解一個有限時域內的最優控制問題，只執行第一步控制量，然後滾動優化。MPC的優勢：可以處理約束（速度約束、加速度約束、道路邊界約束等）；可以預測未來（基於模型預測未來狀態，提前規劃控制動作）；可以優化多目標（舒適性、安全性、跟蹤精度等加權優化）。和PID的區別：PID是反饋控制，只看當前誤差；MPC是預測控制，看未來時域內的誤差。MPC更智能但計算量更大，PID更簡單但無法處理約束。自動駕駛中縱向控制常用MPC（處理跟車距離約束），橫向控制MPC和PID都有。

12. PID控制的參數怎麼調？有什麼技巧？

考察點：理解PID調參的實踐經驗。

答案方向：PID調參的基本順序：先調P（比例增益，增大P使響應變快但可能振蕩）；再調D（微分增益，增大D抑制振蕩但可能放大噪聲）；最後調I（積分增益，消除穩態誤差但可能引起超調）。實用技巧：增量式調參（每次只調一個參數，觀察效果）；頻域分析（用Bode圖分析穩定裕度）；自適應PID（不同速度/曲率下用不同參數，查表法）；抗積分飽和（加積分限幅防止windup）。自動駕駛中PID調參的難點是不同工況需要不同參數，高速和低速、直道和彎道的最優參數差異很大，通常需要做參數調度。

13. 軌跡跟蹤的誤差來源有哪些？怎麼減小？

考察點：理解軌跡跟蹤的精度問題和改進方法。

答案方向：誤差來源：模型誤差（車輛動力學模型不精確，如輪胎側偏剛度估計不準）；延遲誤差（傳感器延遲、計算延遲、執行器延遲，總延遲可達100-200ms）；離散化誤差（規劃軌跡是連續的，控制是離散執行的）；干擾（路面坡度、風力、載荷變化等）。減小誤差的方法：延遲補償（在控制計算時預測延遲時間後的車輛狀態作為當前狀態）；模型改進（用更精確的車輛模型，如考慮輪胎非線性的模型）；前饋控制（根據參考軌跡的曲率計算前饋轉向角，減少跟蹤誤差）；自適應控制（在線估計模型參數，實時調整控制器）。

四、系統（2題）

14. 高精地圖在自動駕駛中的作用？無圖方案可行嗎？

考察點：理解高精地圖的價值和去圖化趨勢。

答案方向：高精地圖提供先驗環境信息：車道級拓撲、道路幾何、交通標誌位置等，作用是降低感知負擔、提供超視距信息、輔助定位。高精地圖的問題：鮮度維護（道路變化後地圖需要及時更新，成本極高）；覆蓋範圍（只覆蓋已採集區域，無法開城即用）；法規風險（測繪資質限制）。無圖方案的思路：在線建圖（用車端傳感器實時構建局部高精地圖，如StreamMapNet）；端到端（跳過地圖直接從感知到規劃，如特斯拉的方案）。目前行業趨勢是"輕地圖"方案：保留地圖的拓撲信息，去掉幾何細節，用車端感知補充。完全無圖在L2+可行，L4還需要地圖輔助。

15. 自動駕駛仿真測試怎麼做？有哪些指標？

考察點：理解仿真測試的方法和評估體系。

答案方向：仿真測試分軟件在環（SIL）、硬件在環（HIL）和車輛在環（VIL）。SIL最輕量，純軟件仿真；HIL接入真實ECU，測試軟硬件集成；VIL在封閉場地用真實車輛+虛擬場景。仿真平台：CARLA（開源，學術常用）、VTD、PreScan、Waymo的Simulation City。關鍵指標：碰撞率（最基本的安全指標）；通過率（場景完成的百分比）；舒適性指標（加速度jerk、橫向加速度等）；效率指標（到達時間、通行效率）。仿真的核心挑戰是仿真到現實的gap（Sim2Real Gap），傳感器模型、環境模型、車輛模型的不精確都會導致仿真結果和真實表現不一致。

心得建議

自動駕駛面試最大的特點是系統性很強。你不僅要懂自己做的模塊，還要理解上下游模塊怎麼配合。比如做感知的，面試官會問"你的檢測結果怎麼給規劃用，格式是什麼，延遲要求多少"；做規劃的，會問"感知結果有誤檢你怎麼處理"。所以準備面試時一定要有全鏈路思維。

第二個建議是項目細節要能扛住追問。面試官特別愛問"為什麼選這個方案而不是那個方案"，"這個模塊的性能瓶頸在哪，怎麼優化的"。如果你只是調了個API，說不清原理，很容易被問住。

第三個建議是關注行業動態。自動駕駛技術迭代很快，BEV感知、端到端、Occupancy Network這些新技術面試官很愛問。建議面試前看看最近半年各大公司的技術博客和論文。

FAQ

Q：自動駕駛面試需要會C++嗎？

A：基本必須。自動駕駛的工程實現幾乎都是C++，面試中可能會讓你手寫簡單的算法實現。Python也要會，用於數據處理和模型訓練。

Q：沒有自動駕駛經驗怎麼轉行？

A：可以從自己原有方向切入。做CV的轉感知，做優化的轉規劃，做控制的直接對口。關鍵是補齊領域知識，比如做感知的要學3D視覺和點雲處理。

Q：面試被問到不熟悉的模塊怎麼辦？

A：誠實說這個模塊我了解不深，但可以說說自己的理解。面試官更看重你能不能快速理解新領域，而不是什麼都懂。

Q：需要看哪些論文？

A：感知：PointPillars、CenterPoint、BEVFormer、BEVFusion。規劃：MultiPath、CoverNet、MotionFormer。控制：MPC相關教材。系統：CARLA仿真相關。每個方向至少看3-5篇代表性論文。

Q：端到端自動駕駛會取代模塊化方案嗎？

A：短期內不會。端到端在L2+場景有進展（如特斯拉），但L4的安全性和可解釋性要求使得模塊化方案仍是主流。未來可能是模塊化+端到端的混合方案。