2026年(智能网联汽车技术)感知系统试题及答案

2026年(智能网联汽车技术)感知系统试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在智能网联汽车的感知系统中，能够直接获取环境物体三维空间坐标信息，且不受光照条件影响显著的传感器是（）。A.单目摄像头B.毫米波雷达C.激光雷达D.超声波雷达2.激光雷达按照测量原理分类，目前主流的用于远距离高精度探测的技术是（）。A.三角测距法B.TOF（飞行时间法）C.相位偏移法D.结构光法3.毫米波雷达在自动驾驶车辆中主要负责（）。A.车道线检测与交通标志识别B.远距离动态目标（车辆）的测速与测距C.高精度地图的构建D.车辆定位与姿态解算4.关于车载摄像头视场角（FOV）与探测距离的关系，下列说法正确的是（）。A.视场角越大，探测距离越远B.视场角越小，探测距离越远C.视场角与探测距离成正比D.视场角与探测距离无关5.在多传感器融合系统中，前融合又称数据级融合，其主要特点是（）。A.处理速度快，对计算资源要求低B.信息损失最少，精度最高，但计算量巨大C.只能处理特定类型的数据D.容易受传感器噪声影响，鲁棒性差6.下列哪种激光雷达技术方案取消了机械旋转部件，通过电子方式实现光束扫描，被认为是未来车载激光雷达的主流方向？（）A.机械式激光雷达B.固态激光雷达C.半固态激光雷达（如MEMS）D.相控阵激光雷达7.计算机视觉中，用于车道线检测的经典算法通常基于（）。A.边缘检测与霍夫变换B.背景减除法C.光流法D.K-means聚类8.77GHz毫米波雷达相比于24GHz毫米波雷达，其主要优势在于（）。A.成本更低B.穿透雨雾能力更强C.具有更高的速度分辨率和距离分辨率，天线体积更小D.探测角度更宽9.在图像语义分割任务中，常用于提取特征并输出像素级分类结果的深度学习网络架构是（）。A.R-CNN系列B.YOLO系列C.FullyConvolutionalNetworks(FCN)或U-NetD.ResNet10.超声波雷达在自动泊车系统（APA）中的主要作用是（）。A.探测远处的障碍物车辆B.识别交通信号灯C.探测车辆近距离内的低矮障碍物（如路沿、墙壁）D.构建全局地图11.惯性测量单元（IMU）通常包含（）。A.加速度计和陀螺仪B.加速度计和磁力计C.陀螺仪和磁力计D.GPS接收机和加速度计12.在卡尔曼滤波算法中，用于描述系统预测不确定性的参数是（）。A.状态向量B.控制向量C.协方差矩阵D.观测矩阵13.为了解决摄像头在强逆光或夜间光照不足情况下的感知缺陷，通常会引入（）。A.红外热成像相机B.激光雷达C.高精度GPSD.毫米波雷达14.在BEV（Bird'sEyeView，鸟瞰图）感知算法中，其核心思想是将前视摄像头的图像特征转换到（）。A.图像平面坐标系B.车辆坐标系下的俯视平面C.世界坐标系（UTM）D.相机坐标系15.下列关于激光雷达点云数据的描述，错误的是（）。A.包含目标的距离信息B.包含目标的反射强度信息C.能够直接提供目标的纹理颜色信息（除非融合摄像头）D.数据量通常比图像数据小16.在目标跟踪算法中，常用于解决数据关联问题（即判断当前帧的检测框与上一帧的哪个轨迹是同一个目标）的方法是（）。A.匈牙利算法B.梯度下降法C.随机森林D.支持向量机17.摄像头的内参标定主要用于确定（）。A.摄像头相对于车体的安装位置和角度B.摄像头的焦距、主点和畸变系数C.摄像头与世界坐标系的关系D.摄像头的时间同步误差18.4D毫米波雷达相比于传统3D毫米波雷达，增加的维度信息是（）。A.目标的颜色B.目标的反射面积C.目标的高度信息D.目标的材质19.在深度学习目标检测中，mAP（meanAveragePrecision）指标用于衡量（）。A.模型的推理速度B.模型的显存占用C.模型在不同类别上的检测精度平均值D.模型的召回率20.传感器标定中，联合标定是指（）。A.单个传感器的内参标定B.确定传感器与车体坐标系的转换关系C.确定不同传感器之间的空间位置和时间上的同步关系D.确定传感器的温度漂移特性二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有两项或两项以上是符合题目要求的）1.智能网联汽车感知系统面临的主要挑战包括（）。A.恶劣天气条件（雨、雪、雾、强光）B.复杂的城市交通场景（人车混行、不规则障碍物）C.传感器的成本与体积限制D.动态目标的轨迹预测不确定性2.下列属于固态激光雷达技术路线的有（）。A.Flash（面阵）激光雷达B.OPA（光学相控阵）激光雷达C.MEMS（微机电系统）激光雷达D.机械旋转式激光雷达3.毫米波雷达的输出信息通常包括（）。A.目标的距离B.目标的相对速度C.目标的方位角D.目标的雷达散射截面积（RCS）4.计算机视觉中的卷积神经网络（CNN）在感知任务中可以应用于（）。A.目标检测B.语义分割C.车道线检测D.深度估计5.传感器融合按照数据处理的层次划分，主要包括（）。A.数据级融合B.特征级融合C.决策级融合D.像素级融合（属于数据级的一种，此处选ABC即可，但通常像素级和数据级常混用，严谨选ABC）6.为了提高自动驾驶的安全性，感知系统必须具备对“异形障碍物”的检测能力，这主要依赖于（）。A.激光雷达的点云分割与聚类B.基于深度学习的占用网络C.传统的交通标志识别算法D.纯GPS定位7.车载传感器的清洁系统对于感知至关重要，针对不同传感器常用的清洁方式有（）。A.摄像头：喷水清洗与雨刮B.激光雷达/雷达：喷水清洗与空气喷射C.摄像头：超声波清洗D.激光雷达：加热除雾8.关于深度估计，下列说法正确的有（）。A.双目立体视觉利用视差原理计算深度B.单目深度估计需要利用深度学习网络进行训练，缺乏绝对尺度C.激光雷达可以直接提供精确的深度信息D.结构光法主要用于远距离测距9.在自动驾驶测试中，感知系统的验证方法包括（）。A.实车道路测试B.虚拟仿真测试（如CARLA,LGSVL）C.场景库重构测试D.硬件在环（HIL）测试10.事件相机是一种新型视觉传感器，其特点包括（）。A.具有极高的时间分辨率B.具有极高的动态范围C.输出完整的图像帧D.只输出像素亮度发生变化的事件流三、判断题（本大题共15小题，每小题1分，共15分。正确的打“√”，错误的打“×”）1.激光雷达在浓雾天气下的性能通常会优于毫米波雷达。（）2.单目摄像头可以通过图像上的物体大小直接计算出物体的绝对距离，无需任何先验知识。（）3.传感器的时间同步对于多传感器融合至关重要，通常需要达到毫秒级甚至微秒级的同步精度。（）4.扩展卡尔曼滤波（EKF）是专门用于处理非线性系统的卡尔曼滤波变种。（）5.毫米波雷达无法探测到静止的物体，因为它是利用多普勒效应原理工作的。（）6.相比于激光雷达，摄像头在纹理丰富、色彩鲜艳的场景下更能提供语义信息。（）7.YOLO（YouOnlyLookOnce）是一种基于区域建议的Two-Stage目标检测算法。（）8.IMU（惯性测量单元）存在随时间累积的漂移误差，因此不能长时间单独工作，需要与其他传感器融合。（）9.激光雷达的线束数量越多，其垂直分辨率通常越高，对远处物体的探测效果越好。（）10.在决策级融合中，各个传感器首先独立处理数据并输出目标结果，最后由融合中心对结果进行综合判断。（）11.视觉SLAM（SimultaneousLocalizationandMapping）可以在未知环境中同时实现车辆定位和环境地图构建。（）12.所有的车载激光雷达都使用905nm波段的激光光源。（）13.占用网络将空间划分为网格，预测每个网格被占用的概率，这对于检测未知的异形障碍物非常有效。（）14.传感器的信噪比（SNR）越高，表示传感器输出的信号质量越差，受干扰越大。（）15.自动驾驶汽车通过感知系统获取的红绿灯信息通常仅来自前向摄像头。（）四、填空题（本大题共15小题，每小题2分，共30分）1.激光雷达测距的基本公式中，光速为c，光脉冲往返时间为t，则距离D=__________。2.毫米波雷达利用多普勒效应来测量目标的相对速度，当目标靠近雷达时，接收到的频率会__________。3.在针孔相机模型中，连接光心与图像像素点的直线称为__________。4.为了解决多目标跟踪中的IDSwitch问题，常结合运动模型和外观特征，这种算法被称为__________。5.双目立体视觉测距的核心在于计算左右两幅图像之间的__________。6.激光雷达的点云数据通常包含三维坐标（X,Y,Z）和__________。7.在自动驾驶中，__________坐标系通常以车辆后轴中心为原点，X轴指向车辆前方，Y轴指向左侧。8.常用的激光雷达点云分割算法中，基于区域生长的方法是__________。9.传感器标定中，用于求解摄像头内参的常用棋盘格标定法是由__________提出的。10.IMU中的陀螺仪用于测量物体的__________。11.在特征级融合中，通常将激光雷达的点云特征投影到__________平面，与摄像头的图像特征进行拼接。12.4D成像雷达之所以能成像，是因为其具有极高的__________分辨率。13.__________算法是一种常用的点云配准算法，常用于激光SLAM中。14.为了保护人眼安全，车载激光雷达多采用__________波段的激光（如905nm或1550nm）。15.在深度学习模型压缩中，__________技术可以减少模型参数量，提高推理速度，常用于边缘侧部署。五、简答题（本大题共4小题，每小题10分，共40分）1.简述激光雷达、毫米波雷达和摄像头在自动驾驶感知系统中的优缺点，并说明为什么需要多传感器融合。2.请解释什么是卡尔曼滤波（KalmanFilter）？它包含哪两个主要过程？在目标跟踪中起什么作用？3.简述单目摄像头测距与双目摄像头测距的基本原理区别，并说明为什么单目测距通常难以获得高精度的绝对深度。4.请列举至少三种常见的深度学习目标检测网络，并简述它们各自的特点（如速度、精度、适用场景）。六、综合分析与应用题（本大题共3小题，共45分）1.（本题15分）某自动驾驶车辆配备了77GHz毫米波雷达，发射信号频率为f0=77GHz，光速c=3×10^8m/s。(1)若雷达检测到一个前方目标的相对速度为Vr=-20m/s（负号表示靠近），请计算多普勒频移fd的大小。（公式：fd=2Vrf0/c）(2)若雷达测得目标的往返时间τ=10μs（微秒），请计算目标距离雷达的距离R。(3)在实际道路场景中，毫米波雷达容易出现“幻影”目标，请分析产生幻影目标的可能原因（至少两点）。2.（本题15分）视觉感知是自动驾驶的核心技术之一。假设车辆在雨夜环境下行驶，前向摄像头拍摄到的图像对比度下降，且伴有路灯产生的眩光。(1)请分析在这种场景下，基于传统图像处理（如边缘检测、阈值分割）的算法可能会遇到哪些困难？(2)深度学习算法（如CNN）相比传统算法，在鲁棒性上有何优势？请结合数据增强的角度进行说明。(3)除了改进算法，还可以通过哪些硬件或系统层面的手段来辅助摄像头在雨夜环境下的感知？3.（本题15分）传感器标定是自动驾驶感知系统开发的基础工作。(1)请分别解释“内参标定”和“外参标定”的含义。(2)假设你需要进行摄像头与激光雷达的联合标定，请描述一个通用的标定流程（至少包含三个主要步骤）。(3)如果车辆在行驶过程中发生了剧烈震动，导致激光雷达安装角度发生了微小偏移（例如俯仰角变化了0.5度），这会对感知系统产生什么影响？如何在线检测这种偏差？参考答案及解析一、单项选择题1.【答案】C【解析】激光雷达通过发射激光束并接收回波来测量距离，能够直接生成三维点云，且属于主动传感器，不受外界光照影响。摄像头受光照影响大，毫米波雷达分辨率较低，超声波雷达距离短。2.【答案】B【解析】TOF（TimeofFlight，飞行时间法）是主流车载激光雷达的测量原理，通过测量光脉冲飞行时间计算距离。相位法虽然精度高但测距受限，三角法主要用于近距离。3.【答案】B【解析】毫米波雷达利用多普勒效应测速非常精准，且穿透力强，主要用于探测前方车辆的距离和相对速度。4.【答案】B【解析】在焦距一定的情况下，视场角（FOV）越小，相当于“长焦”镜头，看得更远但范围窄；视场角越大，看得越宽但距离近。5.【答案】B【解析】数据级融合是在原始数据层进行融合，保留了最多的信息，精度理论上限最高，但数据量大，对计算资源要求极高。6.【答案】B【解析】固态激光雷达完全取消机械旋转部件，通过芯片级扫描，体积小、成本低、可靠性高，是未来主流。7.【答案】A【解析】车道线通常表现为图像中的边缘和直线特征，霍夫变换是检测直线的经典算法。8.【答案】C【解析】77GHz频段允许更大的带宽，因此分辨率更高，且波长更短，天线尺寸可以做得更小。9.【答案】C【解析】FCN（全卷积网络）是语义分割的基础网络，将CNN最后的全连接层换成卷积层，输出像素级分类。10.【答案】C【解析】超声波雷达成本极低，但探测距离短，主要用于近距离的泊车辅助，检测周围的障碍物。11.【答案】A【解析】IMU主要由测量线加速度的加速度计和测量角速度的陀螺仪组成。12.【答案】C【解析】协方差矩阵用于表示状态估计的不确定性，在卡尔曼滤波中不断更新（预测时增大，更新时测量到新数据后减小）。13.【答案】A【解析】红外热成像相机基于物体发出的热辐射成像，完全不需要可见光，适用于全黑环境或大雾。14.【答案】B【解析】BEV感知将多路摄像头的图像特征通过几何变换或Transformer转换到统一的鸟瞰视角，便于进行融合和规划。15.【答案】C【解析】激光雷达点云只包含几何和强度信息，不包含颜色纹理。纹理信息需要摄像头提供。16.【答案】A【解析】匈牙利算法是解决二分图匹配问题的经典算法，常用于多目标跟踪中的检测框与轨迹的匹配。17.【答案】B【解析】内参是摄像头内部的固有参数（焦距、主点、畸变），与安装位置无关。外参才是安装位置。18.【答案】C【解析】4D成像雷达在距离、水平角度、速度的基础上，增加了高度（俯仰角）信息的解析能力。19.[答案】C【解析】mAP是衡量目标检测模型精度的综合指标，综合考虑了查准率和查全率。20.【答案】C【解析】联合标定旨在确定不同传感器（如相机和雷达）之间的坐标转换关系（旋转矩阵R和平移向量T）。二、多项选择题1.【答案】ABC【解析】恶劣天气、复杂场景、成本体积限制都是主要挑战。轨迹预测属于规划范畴，不是感知本身的挑战，虽然感知结果影响预测。2.【答案】ABC【解析】Flash、OPA、MEMS属于固态或半固态技术路线。机械式不是固态。3.【答案】ABCD【解析】毫米波雷达原始数据通常包含距离、速度、方位角和RCS（反射强度）。4.【答案】ABCD【解析】CNN是计算机视觉的核心网络，广泛应用于检测、分割、车道线识别和深度估计。5.【答案】ABC【解析】融合层次分为数据级（像素级）、特征级、决策级。6.【答案】AB【解析】异形障碍物（如倒下的树、轮胎）无法通过预定义类别识别，需要依靠点云聚类或占用网络检测空间占用情况。7.【答案】ABD【解析】摄像头常用雨刮和喷水；雷达常用喷水和空气喷射；激光雷达常用加热除雾和喷水。超声波清洗一般不用在摄像头。8.【答案】ABC【解析】双目利用视差；单目利用深度学习但缺绝对尺度；激光雷达直接测距。结构光主要用于近距离（如手机FaceID）。9.【答案】ABCD【解析】实车测试、仿真测试、场景库测试、HIL测试都是验证感知系统的必要手段。10.【答案】ABD【解析】事件相机基于异步事件流，高动态范围、高时间分辨率，不输出完整帧。三、判断题1.【答案】×【解析】激光雷达利用光波，在雾、雨中衰减严重，穿透力不如波长更长的毫米波雷达。2.【答案】×【解析】单目测距需要知道物体的实际物理尺寸（先验知识），仅凭图像大小无法知道绝对距离（近大远小原理缺失尺度）。3.【答案】√【解析】车辆高速运动时，不同传感器帧率不同，时间不同步会导致融合位置错位，因此必须严格同步。4.【答案】√【解析】EKF通过一阶泰勒展开将非线性函数线性化，适用于非线性系统。5.【答案】×【解析】现代毫米波雷达（如FMCW）可以通过距离变化率探测静止物体，虽然多普勒速度为0，但距离维依然存在。6.【答案】√【解析】摄像头能获取颜色、纹理、文字等语义信息，这是激光雷达和毫米波雷达的短板。7.【答案】×【解析】YOLO是One-Stage（单阶段）算法，速度快；R-CNN是Two-Stage（两阶段）算法，精度高但慢。8.【答案】√【解析】积分运算会累积误差，导致漂移，必须依靠GPS或视觉等外部信息进行校正。9.【答案】√【解析】线束越多，垂直方向采样点越密，对物体的垂直轮廓刻画越清晰，越不容易漏检。10.【答案】√【解析】决策级融合是最高层融合，各传感器独立得出结论，再进行逻辑判断或加权。11.【答案】√【解析】SLAM即同步定位与建图，视觉SLAM利用摄像头特征点实现。12.【答案】×【解析】除了905nm，还有1550nm。1550nm人眼不敏感，可以发射更高功率，测距更远。13.【答案】√【解析】占用网络不识别物体“是什么”，只识别“有没有”，非常适合处理未知的障碍物。14.【答案】×【解析】SNR越高，信号越强，噪声干扰越小，质量越好。15.【答案】×【解析】红绿灯识别也可以通过高精地图（V2X）或前向视摄像头，不仅限于单一来源，且题目说法过于绝对。四、填空题1.【答案】c*t/22.【答案】变大（或升高）3.【答案】光轴（或投影射线）4.【答案】DeepSORT（或Sort，但DeepSORT更符合结合外观特征的描述）5.【答案】视差6.【答案】反射强度（或Intensity）7.【答案】车辆坐标系（或BodyCoordinateSystem）8.【答案】欧式聚类（或DBSCAN）9.【答案】张正友10.【答案】角速度11.【答案】BEV（鸟瞰图）12.【答案】角度（或方位角/俯仰角）13.【答案】ICP（IterativeClosestPoint）14.【答案】红外15.【答案】量化（或Quantization/剪枝）五、简答题1.【答案】激光雷达：优点是精度高、分辨率高、能获取3D信息、不受光照影响；缺点是受天气影响大（雨雪雾）、成本高、无法识别纹理颜色。毫米波雷达：优点是测速精准、穿透力强（全天候）、成本低；缺点是分辨率低、噪点多、无法获取高度信息、无法识别物体类别。摄像头：优点是成本低、信息丰富（纹理、颜色、语义）、分辨率高；缺点是受光照和天气影响极大、无直接深度信息（单目）、计算量大。融合原因：单一传感器存在物理局限，无法满足自动驾驶的高安全性和全天候要求。多传感器融合可以实现优势互补（如摄像头语义+雷达测距），提高系统的冗余度、鲁棒性和检测精度。2.【答案】卡尔曼滤波是一种最优递归数据处理算法，用于估计线性系统的状态。两个主要过程：(1)预测：利用系统的状态转移方程，根据上一时刻的状态估计值预测当前时刻的状态，并更新协方差矩阵（不确定性增加）。(2)更新：利用传感器的观测值，结合预测值，计算卡尔曼增益，从而修正当前时刻的状态估计，并更新协方差矩阵（不确定性减小）。作用：在目标跟踪中，卡尔曼滤波用于平滑目标的运动轨迹，预测目标在下一时刻可能出现的位置，并融合新的观测数据，减少观测噪声的影响，实现稳定跟踪。3.【答案】原理区别：双目测距利用三角视差原理，通过匹配左右两幅图像中同一像素点，计算视差，结合基线长度和焦距求解深度。单目测距通常基于几何透视关系（需已知物体实际尺寸）或利用深度学习模型直接从单张图像预测深度。单目测距难点：单目测距本质上是“从2D恢复3D”，这是一个病态问题，存在无数种可能的3D场景对应同一个2D图像。深度学习单目测距通常缺乏绝对的尺度信息（ScaleAmbiguity），即只能判断“远近关系”，难以精确判断“多少米”，且严重依赖训练数据的分布，泛化能力受限。4.【答案】(1)R-CNN系列（如FasterR-CNN）：Two-Stage算法，先生成候选区域，再进行分类和回归。优点是精度高，尤其对小目标检测效果好；缺点是速度较慢，实时性较差。(2)YOLO系列（如YOLOv8）：One-Stage算法，将目标检测视为回归问题，直接在输出层预测边界框和类别。优点是速度极快，适合实时应用；缺点是精度通常略低于Two-Stage，对极小目标或密集目标检测稍弱。(3)SSD（SingleShotMultiBoxDetector）：One-Stage算法，利用多尺度特征图进行检测。在速度和精度之间取得了较好的平衡，适合嵌入式设备部署。(4)Transformer-based模型（如DETR）：基于Transformer架构，利用注意力机制处理目标检测，无需NMS后处理。优点是逻辑简洁，泛化能力强；缺点是收敛慢，对算力要求高。六、综合分析与应用题1.【答案】(1)计算多普勒频移fd：公式：fd=|2Vrf0/c|Vr=20m/s(取绝对值计算大小)，f0=77×10^9Hz，c=3×10^8m/sfd=(22077×10^9)/(3×10^8)fd=(3080×10^9)/(3×10^8)=(3080/3)×10fd≈10266.67Hz≈10.27kHz(2)计算目标距离R：公式：R=c*τ/2τ=10μs=10×10^-6sR=(3×10^8*10×10^-6)/2R=(3000)/2=1500m(3)产生幻影目标的原因：1.多径效应：雷达波经地面或其他物体反射后，间接到达目标，导致雷达误判目标的距离或角度，产生虚假目标。2.旁瓣干扰：雷达天线旁瓣接收到强反射信号，导致系统误判为目标。3.信号泄漏：发射信号直接泄漏到接收端。4.附近金属物体的强反射导致鬼影。2.【答案】(1)传统算法的困难：1.雨夜导致图像信噪比低，对比度下降，基于阈值或边缘梯度的分割算法难以准确提取目标轮廓。2.眩光会造成图像局部过曝，产生高亮区域，传统算法容易将其误判为白色物体或路面标记，或者破坏整体的亮度均衡性。3.雨滴本身在图像上形成噪点，传统滤波器难以在去噪的同时保留细节。(2)深度学习算法的优势及数据增强：优势：CNN具有强大的特征提取能力，通过学习从大量