自动驾驶算法工程师（感知）岗位招聘考试试卷及答案

自动驾驶算法工程师（感知）岗位招聘考试试卷及答案试题部分一、填空题（共10题，每题1分）1.激光雷达的英文缩写是______。2.相机内参的核心参数包括焦距和______。3.YOLOv5的特征融合neck结构是______。4.点云聚类常用的密度-based算法是______。5.语义分割中平衡类别不均衡的损失函数是______。6.双目视觉计算深度的核心步骤是______。7.毫米波雷达的波长范围是______。8.Transformer感知模型中提取全局特征的核心模块是______。9.SLAM闭环检测常用的词袋模型是______。10.目标跟踪中衡量框匹配度的指标是______。二、单项选择题（共10题，每题2分）1.以下不属于自动驾驶感知任务的是？A.目标检测B.语义分割C.路径规划D.实例分割2.激光雷达对感知最关键的性能指标是？A.测距精度B.扫描频率C.FOV范围D.波长3.YOLOv8的检测头类型是？A.CSPDarknetB.PAN-FPNC.YOLOHeadD.TransformerEncoder4.点云降采样最常用的方法是？A.体素滤波B.高斯滤波C.均值滤波D.中值滤波5.FCN语义分割的核心创新是？A.全卷积层替代全连接层B.反卷积上采样C.注意力机制D.Transformer6.毫米波雷达相比相机的核心优势是？A.不受光照影响B.分辨率更高C.成本更低D.体积更小7.SORT目标跟踪算法的核心是？A.卡尔曼滤波+匈牙利匹配B.粒子滤波+IoU匹配C.卡尔曼滤波+IoU匹配D.粒子滤波+匈牙利匹配8.Transformer自注意力机制中Q、K、V的维度关系是？A.完全相同B.Q=K≠VC.K=V≠QD.都不同9.视觉里程计（VO）的直接输入是？A.图像序列B.点云数据C.毫米波雷达数据D.GPS信号10.以下不属于感知算法部署优化技术的是？A.量化B.剪枝C.蒸馏D.超分辨率三、多项选择题（共10题，每题2分）1.自动驾驶感知任务包含哪些？A.目标检测B.语义分割C.实例分割D.路径规划2.激光雷达的核心性能指标包括？A.测距范围B.测距精度C.FOVD.扫描频率3.点云处理的基础步骤有哪些？A.去噪B.降采样C.特征提取D.聚类4.YOLO系列算法的特点是？A.单阶段检测B.实时性好C.精度略低于两阶段D.多尺度预测5.语义分割的常用模型是？A.FCNB.U-NetC.DeepLabv3+D.MaskR-CNN6.毫米波雷达适合的感知场景是？A.高速场景B.雨雾天气C.静态目标检测D.动态目标跟踪7.Transformer在感知中的优势是？A.长距离依赖建模B.并行计算C.小目标检测增强D.抗遮挡能力8.目标跟踪的评价指标有？A.MOTAB.MOTPC.IoUD.FPS9.SLAM的核心组成部分是？A.视觉里程计B.闭环检测C.地图构建D.路径规划10.感知算法部署的常用硬件是？A.GPUB.FPGAC.ASICD.CPU四、判断题（共10题，每题2分）1.激光雷达仅采用TOF测距原理。（）2.YOLOv5是两阶段目标检测算法。（）3.双目视觉可直接输出场景深度信息。（）4.毫米波雷达无法检测静态目标。（）5.Transformer自注意力复杂度为O(n²)。（）6.FCN用反卷积实现像素级上采样。（）7.SORT算法不依赖目标外观特征。（）8.语义分割不区分同一类别的不同实例。（）9.SLAM闭环检测主要依赖特征匹配。（）10.量化可减少模型体积且损失精度小。（）五、简答题（共4题，每题5分）1.简述激光雷达与相机在自动驾驶感知中的互补性。2.说明YOLO系列单阶段检测算法的核心思想。3.解释Transformer自注意力机制在目标检测中的作用。4.对比语义分割与实例分割的核心区别。六、讨论题（共2题，每题5分）1.如何解决自动驾驶感知在雨雾等恶劣天气下的性能下降问题？2.讨论Transformer-based感知模型（如DETR）相比传统CNN的优势与挑战。---答案部分一、填空题答案1.LiDAR2.主点（cx、cy）3.PAN-FPN4.DBSCAN5.Dice损失6.立体匹配（SGBM）7.1mm~10mm8.多头自注意力9.DBoW210.IoU（交并比）二、单项选择题答案1.C2.A3.C4.A5.A6.A7.A8.A9.A10.D三、多项选择题答案1.ABC2.ABCD3.ABCD4.ABCD5.ABC6.ABCD7.ABCD8.ABC9.ABC10.ABCD四、判断题答案1.×2.×3.√4.×5.√6.×7.√8.√9.√10.√五、简答题答案1.互补性：激光雷达（LiDAR）提供精确3D深度，不受光照影响，但分辨率低、成本高；相机提供丰富纹理/颜色，分辨率高、成本低，但依赖光照、无直接深度。互补体现为：LiDAR补相机深度缺失，相机补LiDAR纹理不足；恶劣天气下LiDAR抗干扰强，相机补近距离细节；融合后提升目标检测/分割精度。2.核心思想：将目标检测转化为单阶段回归问题：①输入图像划分为网格，每个网格负责检测中心落在其中的目标；②每个网格预测多个边界框、类别概率及置信度；③输出层直接生成所有目标的框、类别及置信度，无需候选框生成，实时性好。3.作用：①建模目标间长距离依赖（如车与行人的相对位置），提升遮挡/小目标检测；②替代CNN局部卷积，增强全局特征提取；③多头注意力并行处理不同子空间特征，丰富表达；④简化检测流程（如DETR无候选框），提升复杂场景适应性。4.核心区别：①语义分割仅区分像素类别（如“车”），同一类别标记相同；②实例分割区分同一类别不同实例（如“车1”“车2”）；③实现：语义分割用FCN/U-Net，实例分割需额外mask分支（如MaskR-CNN）；④应用：语义分割用于场景理解，实例分割用于跟踪/计数。六、讨论题答案1.解决方法：①传感器融合：结合LiDAR（抗雨雾）、毫米波雷达（抗恶劣天气）与相机（纹理补充），多模态融合提升鲁棒性；②算法优化：训练时加入雨雾合成数据集，用去雾/直方图均衡预处理；③模型改进：用Transformer建模长距离依赖，注意力聚焦有效区域；④硬件增强：高灵敏度相机、抗干扰LiDAR减少噪声。2.优势与挑