地平线面试
一面
这是一场关于自动驾驶路径规划与算法实现的面试会议。会议主要讨论了参考线生成、动态避障和车道选择的优化方法，以及编程题目的解答过程。参会者还交流了行业技术现状和个人职业发展考量。
参考线生成与优化方法
参考线生成采用贝塞尔曲线初解，后通过OS KP求解器进行平滑处理，构建QP问题时考虑位置cost和一阶、二阶、三阶导数，部分关键点加入heading和曲率约束。
优化模型在感知切换前后保持一致，仅输入和约束条件不同。
导航、路沿与动态避让的权衡
无其他信息时优先选择最直路径；直行路口不主动换道，导航指令（如左右转）仅在无车时影响车道选择（如左转选左一车道）。
动态避障通过横向轨迹规划实现绕行，下一帧参考线选择会结合上一帧绕行轨迹的cost，但当前方案为横纵向解耦，存在局限性。
正在开发时空联合规划模块，基于横向轨迹采样与纵向推演，但尚未量产，仅部分功能用于MLC。
路口处理与地图匹配
左右转时根据导航提前选择车道（如左转选左一），低速下通过动态调整目标点（如对向停止线修正）提高准确性，但存在超调问题。
U型弯场景暂不支持，因视觉感知受限。
编程题解答
第一题（水果成篮）：通过滑动窗口维护包含最多两种水果类型的连续子序列，使用map记录类型数量。
第二题（封闭岛屿数目）：DFS/BFS遍历矩阵，排除边界相连的陆地，统计封闭岛屿数量。
职业发展与公司对比
认为经纬恒润技术发展滞后，缺乏进步空间；地平线端到端技术较成熟，轻舟智航仍以规则为主、模型为辅。
恒润工作节奏弹性，节点期加班至12点，非节点期早10晚8。
二面
会议讨论了算法工程师岗位面试相关内容，涵盖候选人工作经验、技术方案、场景应对及代码测试等方面，具体如下：
- 候选人工作经验：
- 毕业与入职信息：2024年从学校毕业，入职恒润担任CNOA项目算法工程师。
- 主要负责工作：负责横向规划中的算法开发，核心是参考线生成模块。
- 参考线生成方案：
- 平行车道场景：粗解由左右道线拟合中心线得到，经SQP求解器和QP平滑得到b样条静态轨迹。
- 过路口场景：粗解采用三段式拼接，历史段取上一帧参考线远端点链，中间用贝塞尔曲线补齐，远端用HA地图车道信息。
- HA地图应用：非路口仅提供道路等级和车道数量，路口处提供详细车道中心线和边界坐标，但精度不如高精地图。
- 感知信息调整：利用路缘和对向停止线信息对HA地图车道信息进行精细调整。
- 不同场景应对方案：
- 道路分叉场景：建图生成中心线，选路根据导航信息和拓扑形状，粗解生成考虑自车车速和远方车道点，确保平滑舒适。
- 多出口车道场景：根据导航link信息和感知车道数匹配选道，复杂情况成功率约50%，待优化。
- 不规则路口场景：横向绕行有限，主要靠纵向刹车避让动态车辆，预测轨迹投影到ST图辅助决策。
- 换道场景：参考线提供相邻车道候选，换道意图根据地图导航和当前车道索引发出，规划换道轨迹考虑平滑性。
- 当前方案存在问题及改进计划：
- 存在问题：预测模型不可靠，导致纵向不舒适；横纵向解耦，缺乏与其他车的交互和博弈。
- 改进计划：采用多模态预测轨迹，开发时空联合规划方案。
- 面试代码测试：
- 题目要求：用数值方法开正数根号。
- 测试过程：候选人采用牛顿法迭代，期间代码出现问题，经修正后通过测试。
- 岗位工作内容及疑问交流：
- 岗位工作内容：围绕端到端模型，在不同场景下进行数据处理、增强、设计loss和评价性能，后处理和决策规划较薄。
- 候选人疑问：询问岗位主要工作、L2端到端方案能否解决特殊情况、工作时间段、节假日加班和驻场开发情况。
三面
一、面试开场
（一）面试官介绍
- 面试情况：此次为第三面，属于技术面最后一面
- 工作领域：从事运动规划算法、主动安全相关工作，近半年多参与模型相关工作（含数据增广、帧值重建、扰动、数据合成等），团队有成员开展行车和泊车的强化学习工作
（二）求职者开场
- 技术栈情况：相对面试官更为单一
- 工作基础：入职前专注于planning的横向开发
- 项目经历：去年7月加入恒润835项目，核心负责横向规划算法中的参考线生成模块
二、求职者工作经历介绍
（一）核心项目：恒润835项目
- 规划方案逻辑
- 上游输入：定位（提供自车位姿）、感知（识别周围道线、其他车辆）、地图导航（明确当前道路信息、路口距离及转向要求、匝道接入等信息）
- 核心逻辑：横纵向完全解耦，先不考虑动态障碍物规划居中行驶参考线，再基于参考线处理障碍物绕行或换道，最后在横向轨迹基础上结合其他车辆预测轨迹，通过ST图做纵向决策与规划
- 参考线生成方案
- 平车道场景：对道线建图排序，在横向距离阈值范围内构建车道，拟合每条车道中心线；根据自车位姿定位所属车道及相邻车道，基于左、中、右三条车道的点链，经OSQP优化器平滑得到参考线，非换道时以中间参考线为追踪基准，换道时切换目标参考线并添加约束生成换道轨迹
- 障碍物处理：部分侵入时，结合侵入距离与安全距离偏置约束横向规划；完全封堵车道时，发起换道动作绕行
- 特殊场景处理
- 非机化道路（路口、车道分叉、进出匝道、辅路等）：采用拼接式粗解生成参考线，锚定远端目标车道，保留自车前方点及后续点链，通过贝塞尔曲线连接构建引导轨迹
- 路口超视距规划：借助腾讯地图提供的粗link（含道路等级、车道数、道路拓扑）及路口退出点的局部车道信息（10米长车道的中心线和边界线），先以地图车道为引导拼接参考线，待远方感知信息稳定（SLAM ID连续一致、道线长度足够）后，切换为感知车道中心线引导，全程通过路口状态机实现"平行车道→地图引导→感知引导→平行车道"的状态转换
- 感知与地图融合优化：利用路沿位置调整地图车道边界；通过已出现道线预估车道宽度，处理道线缺失或不全场景下的车道划分
（二）其他工作内容
- 分叉路口选道功能：结合地图导航筛选车道，实现右转、直行等场景的正确选道
- 换道意图设计：明确转向需求时，生成对应换道意图，引导车辆换到目标车道
- 辅助功能开发：跟车功能设计、与同事对接雷达点云使用
三、面试官提问及求职者回答
（一）感知车道线相关问题
- 问题1：感知车道线不准导致中心线不准、车辆晃动如何处理？
- 回答：检查参考线绑定的车道属性及SLAM ID，若SLAM ID突变，判定感知存在错误，丢弃该帧参考线
- 问题2：感知上线稳定但位置轻微晃动（如高速车道保持场景）如何处理？
- 回答：上游SLAM对横向位置波动进行滤波；参考线生成时，与上一帧点链进行加权低通滤波；下游横向规划不额外处理抖动
- 问题3：参考线检测稳定但弯道下不居中如何处理？
- 回答：下游无法检测上游感知的偏差，当前方案中未遇到此类典型问题；曾因坐标系多次转换（自车坐标系→global pose→回传）产生偏差，后续优化自动操作系统后已解决
（二）规划坐标系相关问题
- 传统规划局限：SL下规划存在投影变形、高阶量失真等问题
- 创新尝试：开展XY坐标系下规划探索
- 方案1：将下游横向规划功能整合至参考线模块，由参考线直接完成XY规划
- 方案2：研发未量产的时空联合规划版本，采用"横向大量采样→单采样轨迹纵向规划→剪枝筛选→评分排序"的流程，通过贝塞尔曲线连接采样点
（三）其他技术问题
- 求解器相关：求职者表示主要为工具使用，未展开深入研究
- 跟车算法问题：高速场景下120km/h跟停静止车辆如何处理？
- 回答：当前跟车功能仅适用于城市路口，高速场景处理未做针对性设计，核心思路为划定边界避免碰撞
四、职业规划交流
（一）换工作原因
- 公司技术现状：技术栈陈旧，以框架修修补补、解决case、打补丁为主
- 个人诉求：接触前沿技术栈，实现个人能力提升
（二）未来工作方向
- 求职者意向：关注多端时空联合规划，对端到端相关技术（数据标注、数据挖掘、评测、重建、扰动、模型训练、数据合成、强化学习等）无实际经验
- 面试官建议：
- 短期：补充规划算法经验（经典方案中仍有一定应用场景）
- 长期：顺应行业趋势，向端到端方向转型，重点学习数据相关技术、模型知识、强化学习等
（三）岗位机会咨询
- 求职者疑问：地平线是否有适配岗位？是否提供技术方向转换机会？
- 面试官回应：
- 转换支持：入职后可直接参与端到端相关工作，团队正处于技术转型阶段
- 业务现状：传统规控方案已大幅简化，仅保留少量规划相关工作，决策模块基本不再投入资源
- 团队布局：多人从事强化学习、模仿学习、数据处理、重建、扰动等工作
五、面试收尾
- 面试官确认无其他问题，求职者未提出额外疑问，面试顺利结束