![一家L2L4都有的公司面试]()
一家L2L4都有的公司面试
一面豆包总结（泊车）
一、行车项目方案框架
（一）动态障碍物避让
- 将动态障碍物投影到参考线，判断是否侵入，若侵入则在标记基础上进行横向偏置绕行。
- 过路口时因感知性能受限，先用轻图提供的路口远端目标车道信息引导，进行三段式拼接。
- 行驶中远方感知逐渐清晰后，结合感知与轻图目标位置做横向校验，满足条件则切换为感知车道引导，直至完成路口并回到停车状态。
- 设计路口状态机，实现平行车道→地图引导进入路口→感知引导退出路口→停车的状态闭环。
（二）道路决策
- 一分二/一分多场景：根据自车左右道线划分候选车道，通过拼接方式生成各车道的平滑参考线，依据导航信息（直行/左转/右转）选择对应参考线。
- 平行车道状态：依据轻图和感知信息确定自车车道index，与路口目标车道比对，若当前车道不满足转向要求则发起换道意图。
（三）换道决策
- 下游决策模块校验目标参考线可用性、动态障碍物情况及换道空间。
- 校验通过后发起换道意图，追踪的free model系切换至目标参考线，以6-7秒后位置l=0为约束完成换道。
（四）感知补全模块
- 弥补感知模型缺陷，针对孤立石墩、石柱、间断隔离带等无法识别的障碍物进行补全。
- 规控团队获取激光雷达点云，将自车周围地图栅格化，确定可通行区域及目标开口。
- 输出左右约束线，确保规划轨迹与点云无冲突，避免碰撞路沿或静态障碍物。
（五）轻图偏差修正
- 清图存在横向位置5-10米、车道宽度0.5-1米的偏差。
- 迭代三版方案，利用更早的感知信息修正清图车道位置，确保规划终点准确，避免路口结束时大幅画龙或引导至错误位置。
二、不同场景应对策略
（一）路边停车场景
- 生成自车车道中心线作为参考线，若前方停车侵入参考线，根据侵入距离触发不同机制。
- 侵入较小时：在参考线对应位置设置l约束（如l≥1），通过二次规划绕开障碍物（最大绕行幅度不超过1米）。
- 侵入较大时：发起绕行换道请求，复用导航换道模块校验目标车道可用性，换道至对向车道通行后再换回原车道。
- 局限性：模块较保守，对向有来车则拒绝换道，无时空联合规划能力，无法在对向车到达前完成绕行。
（二）施工区域场景
- 感知模型对异形路沿识别效果差，激光雷达模块承担开口选择与约束补足功能。
- 施工区域占路时，激光雷达选择正确通行开口，将开口一侧点云重采样为约束线（右侧施工则设右约束，左侧施工则设左约束）。
- 参考线优化时融入约束线，确保轨迹绕开施工区域。
- 局限性：锥桶摆放稀疏且间距较大时，车辆可能从锥桶间穿行。
（三）换道困难场景（如红绿灯前排队）
- 量产版本：处理薄弱，优先提前换至目标车道，避免临近路口因车流量大无法换道。
- 非量产版本：新增MLC模块，通过大规模横向+纵向轨迹采样、评分筛选最优方案，实现强制换道；无可行方案则放弃换道。
- 现状：MLC模块仍在初步研发阶段，未达量产标准。
三、面试相关交流
（一）职业方向与技术趋势
- 求职者倾向转向AI/端到端模型方向，认为现有rule based技术栈相对滞后。
- 面试官说明：L2/L3行车已广泛采用端到端模型，Robot逻辑仅用于控制、轨迹平滑等兜底场景；泊车量产版本因精度要求高，暂未应用端到端模型，仍在探索中；扫地车项目属L4范畴，技术细节暂不明确。
- 转岗建议：与HR沟通，可选择泊车、L4或扫地车项目方向。
（二）编程测试
- 题目：实现2D平面内射线与圆的交点求解函数（C++）。
- 问题与修正：
- 初始错误：未重载加等于运算符，导致编译失败；直线表达式采用KX+b形式，无法处理垂直于x轴的直线。
- 核心要求：需采用通用直线表达式（如代数方法），避免单独处理特殊场景，确保数值稳定性。
（三）泊车技术栈咨询
- 技术栈构成：感知（传感器融合）、规划控制、底层硬件适配（不同CPU/GPU）。
- 规划方案：当前实车以优化、搜索或采样（sampling base）为主。
- 模型应用：端到端模型与传统方案并行探索，具体进展不便透露。
四、后续任务
- 求职者需与HR沟通转岗事宜，明确转向L2/L3（端到端/AI方向）、泊车或L4项目的具体可能性。
一面（转到行车L4）
一、会议基本信息
- 时间： 无明确日期（以发言时间轴记录）
- 参与人员： 面试官（说话人 A）、面试者（张同学，说话人 B）
- 会议主题： 张同学面试 L4 行车相关岗位，涉及项目经历、技术提问、题目解答及业务探讨
二、项目经历介绍（张同学）
(一) 项目背景
- 2024 年 7 月加入HR，参与 城市领航辅助驾驶项目，核心负责参考线生成与状态机维护。
(二) 核心技术方案
参考线生成
- 平行车道场景： 拟合当前车道左右道线得到中心线，经平滑处理作为参考线；相邻车道同步生成参考线，支持换道切换。
- 复杂场景（路口、分叉）： 采用 “历史参考线 + 贝塞尔曲线 + 目标车道中心线” 三段式方案，依托清图提供的局部车道信息确定目标车道，后续切换至感知车道引导。
偏差修正机制
- 路沿匹配： 用感知路沿修正清图车道横向位置，避免冲向路沿或对向车道。
- 道线宽度修正： 通过感知道线粗略估计车道宽度，校准清图车道尺寸。
- 对向停止线约束： 利用提前感知的对向停止线，界定车道边界，规避视角受限场景下的路线偏差。
车道决策逻辑
- 车道判断： 结合星图道路信息与感知标识（路沿、黄线），滤除错误 / 重复车道，确定当前车道索引。
- 换道规划： 非目标车道时发起换道意图，校验参考线可用性与动态障碍物后，通过 QP 优化生成横向轨迹。
- 分叉场景处理： 多线程并行生成候选车道参考线，依据导航信息选择 cost 最小或对应方向的最优解。
特殊场景优化
- 非对称路口： 新增车流跟车模块，以前车轨迹为约束引导参考线。
- 感知盲区： 维护 Lidar 点云模块，栅格化处理点云并输出路沿约束，避免碰撞远端隔离带等障碍物。
三、技术问题交流
(一) AI 模型应用相关
- 面试官提问： 是否尝试用 AI 模型优化地图 / 清图相关工作？
- 张同学回应： 曾做过 demo 尝试，但因团队模型基础薄弱、导航信息匹配难度大，未深入推进；后续将模型应用重心放在下游横纵向轨迹优化。
(二) 约束机制相关
heading 与曲率约束
- heading 约束： 通过一阶导数（DY/DX）线性表达，设定目标角度阈值实现约束。
- 曲率约束： 非线性约束简化为线性近似，仅考虑分子项（一阶导与二阶导交叉相减），在关键节点结合 heading 约束实现粗糙约束。
- 场景适配说明： 转弯场景下 heading 靠贝塞尔粗解的位置 cost 保证平滑，仅在关键节点加固定 heading 约束，确保曲率连续。
(三) 软 / 硬约束相关
- 约束定义： 仅历史段参考点为硬约束（位置不可动），路沿等其他约束为软约束。
- 软约束构建： 在硬约束基础上增广松弛变量，通过对角线上的系数扩展维度；基于路沿点构建凸包，要求控制点在左右路沿之间。
- 违反处理： 多次 QP 求解促进约束收敛；仍违反时，近距场景减速刹停，远距场景改用混合 A 星生成粗解后再平滑。
四、面试题目解答
(一) 题目类型：图搜索问题
- 需求： 求解无权重图中节点间最短路径（如 NODE1 到 NODE9）。
- 算法选择： 张同学初期考虑迪杰斯特拉算法，后确认图无权重，采用 BFS 算法。
(二) 问题与修正
- 初始问题： 路径结果受节点入队顺序影响出现偏差。
- 修正方案： 增加 parent 判断逻辑，避免错误覆盖父节点，确保路径正确性。
五、公司 L4 业务探讨
(一) 业务定位
- 聚焦 L4 行车领域（无人物流、robotaxi 等），与 L2 相比竞争平缓，更侧重安全性与舒适性，无需处理车道线级细节问题。
(二) 技术路线
- 涵盖时空联合规划、模型端到端方案及兜底策略；通过采样生成与模型解结合，搭配安全机制保障车辆运行。
(三) 高清地图依赖
- 现状： 目前为 L4 核心支撑，提供结构化道路信息，是与 L2/L3 的差异化护城河。
- 趋势： 随 AI 轨迹质量提升，依赖度逐步降低。
- 风险应对： 通过实时感知生成在线地图、模型预测道路变化，解决地图更新滞后导致的安全风险。
六、会议收尾
- 面试官确认无更多问题，张同学完成提问交流，会议结束。
二面
1. 工作经历介绍
- 候选人背景：奶黄包，2024年7月毕业后开始做规控。
- 项目内容：参与城市领航辅助驾驶项目，主要负责 Planning 模块中的横向规划部分（特别是参考线开发）。
- 模块架构：
- 上游：定位地图和感知模块。
- 下游：生成参考线用于全局轨迹规划。
- 功能逻辑：
- 参考线在不考虑动态障碍物的情况下生成，用于道路居中或换道。
- 换道实现：通过切换目标参考线（左或右）实现横向轨迹规划，利用 QP（二次规划） 平滑生成换道轨迹。
2. 参考线生成与优化
- 平行车道场景：通过感知车道线排序和车道组生成参考线，优化后用于道路居中。
- 路口场景：采用三段式拼接方法生成参考线：
- 历史参考线（固定）
- 贝塞尔曲线（连接）
- 远端引导车道（来自地图或感知信息）
- 约束优化：引入路沿约束模块，避免参考线过于靠近路沿，提升过路口安全性。
3. 动态障碍物处理
- 换道决策：考虑动态障碍物，通过加速度区间预判可行轨迹，确保安全换道。
- 绕行避让：通过 QP 问题求解生成避让轨迹，约束障碍物侵入区域的横向偏移。
4. 掉头功能实现
- 现状：量产版本暂不支持掉头功能。
- 尝试方案（非量产）：
- 方案一：利用dot车道三段式拼接。
- 方案二：混合 A* (Hybrid A*) 搜索。
- 结果：性能均较差，未上线。
5. 算法题目讨论
- 题目：给定一个数组，需要将其分成N段，使得所有段的和的最大值最小。
