一家纯L4公司的面试

2025年11月18日 1.3k 字大概 5 分钟

一面

📝 面试纪要总结

💼 核心技术讨论

面试官与候选人就其在“CX835 城市领航辅助驾驶”项目中负责的**横向规划（参考线生成、轨迹优化）**工作进行了深入交流。

1. 参考线生成（Reference Line Generation）

功能定位： 参考线是规划模块的上游，主要考虑纯静态信息，作为下游横向轨迹规划的基准坐标系（SL 坐标系）。
平行车道（纯感知）：
- 通过感知到的车道线（Lane Lines）排序后组成车道。
- 使用车道中心线作为粗解点链，通过优化器平滑得到最终的参考线（用于居中行驶）。
- 相邻车道线也生成参考线，作为换道（Left/Right）的候选目标。
非标准场景（路口/分叉/匝道）：
- 采用三段式拼接：
  1. 历史段： 已行驶过的参考线（自车后 50m 到前 1 秒）。
  2. 远端引导段： 远端目标车道中心线。
  3. 中间段： 用贝塞尔曲线连接历史段末端和远端引导段起点，形成粗解点链。
- 地图融合与状态机：
  - 在路口感知受限时，引入轻地图提供路口进入点、突出点及车道中心线信息作为远端引导（地图车道引导状态）。
  - 维护了一套路口状态机：`平行车道` -> `地图车道引导` -> `感知车道引导` -> 回到`平行车道`。

2. 感知与鲁棒性

感知输入： BA 模型输出点链及置信度，经过 SLAM 后处理模块进行初步校验（位置、长短、抖动）。
稳定性处理（跳变）：
- 补偿机制： 当一侧道线过短时，用较长的道线进行补偿来构建中心线。
- 异常帧剔除： 连续若干帧数据异常（道线过短或中心线拟合失败）时，使用历史参考线进行保持（维持惯性）。
- ID 保持： 基于感知输出的车道线 ID，在非换道状态下，检查车道线 ID 是否突变，突变则视为异常，维持历史轨迹。

3. SL 坐标系投影与曲率问题

作用： 将二维 $X, Y$ 空间的规划问题降维到一维的横向偏移 $L$ 序列，降低求解难度。
投影方法： 遍历参考线点链的两点之间，通过叉积计算横向距离 $L$ ，累加段长计算纵向距离 $S$ 。
大曲率挑战（投影失败）： 在大曲率弯道处，一个全局 $X, Y$ 点可能投影到参考线的多个位置（如一个点可能投影到弯道的不同部分），导致 $S$ 序列不连续。
解决方案： 针对点链投影封装新方法。利用点链的先验有序性，只在当前点投影索引之后的参考线段上查找下一个点的投影，以保证 $S$ 的连续性和单调性。若发现断裂，进行反向（逆序）局部查询，重新投影。

4. 效果评估

指标： 主要关注画龙（参考线左右位置横向移动或中间弯曲）和猛打（参考线曲率过大导致的横向加速度超限）。
方式： 每日的 Daily 测试反馈（素材团队）和数据回灌系统（离线回放历史 Case）进行迭代验证。

💻 编程题环节（动态规划）

题目： N 天暑假，每天有 A_i, B_i, C_i 三种活动，给定每天活动的幸福度。要求最大化总幸福度，但不能连续两天做同一种活动。
候选人思路： 识别出这是典型的动态规划问题，需要将“前一天的决策”加入到状态定义中.
最终方案（DP 方程）： 采用二维 DP 数组 dp_cost[i][j]，表示第 $i$ 天做活动 $j$ 时（ $j \in \{0, 1, 2\}$ ），能获得的最大累计幸福度。
$dp\_cost[i][j] = \text{cost}[i][j] + \max(dp\_cost[i-1][k]) \quad \text{for } k \ne j$
空间复杂度优化尝试： 识别出 DP 状态只依赖于 $i-1$ 天，提出将 $N \times 3$ 的 DP 数组优化为 $2 \times 3$ 或 $1 \times 3$ 的循环替换（In-Place Update）。

这里有个笑死我的必须说

💡 职业发展与提问环节

求职动机： 现有公司的技术栈停滞、管理混乱。
对岗位的关注点： 确认岗位级别（L2/L4）及具体负责的工作内容。
面试官反馈： 确认岗位为 L4 领域。公司的方案是动态框架，专注于解决各种复杂场景（如混合倒车、特殊路况），并正在迭代时空联合规划的新技术框架，以突破时空分离规划的性能上限和瓶颈。
候选人观点： 对时空分离规划的瓶颈深有体会，对时空联合规划的解决方案表示认同和兴趣。