自动驾驶工程师试题及答案

自动驾驶工程师试题及答案一、感知与融合1.请简述激光雷达与摄像头多传感器融合的核心步骤，并对比前融合（EarlyFusion）与后融合（LateFusion）的优缺点。答案：多传感器融合核心步骤包括：（1）时间同步：通过硬件触发或软件插值对齐传感器采样时间；（2）空间校准：利用标定板或在线优化（如手眼标定）建立传感器间外参矩阵；（3）数据层/特征层/决策层融合：根据需求选择融合层次。前融合直接对原始数据（如点云与图像像素）进行配准与融合，保留完整信息但计算复杂度高，对同步与校准精度要求严格；后融合先通过各自传感器完成目标检测（如激光雷达输出3D框、摄像头输出2D框），再通过匈牙利算法或卡尔曼滤波关联目标，计算量小但可能因单传感器检测误差导致融合结果偏差。2.激光雷达点云分割任务中，如何区分道路地面与障碍物？请说明常用算法（如RANSAC、PointNet++）的具体实现逻辑及评估指标。答案：地面分割需利用点云的几何特性（如高度、法向量）或学习特征。基于RANSAC的方法：假设地面为平面，随机选取3个点拟合平面模型，计算其他点到平面的距离，保留距离小于阈值（如10cm）的点作为地面，迭代优化平面参数。基于深度学习的PointNet++：通过分层采样（最远点采样FPS）与特征聚合（局部区域特征提取），在点云的坐标、反射强度等特征上训练分类器，直接输出每个点的类别（地面/障碍物）。评估指标包括：精确率（正确分割的地物点占预测地物点的比例）、召回率（正确分割的地物点占真实地物点的比例）、mIoU（地面类与障碍物类的交并比均值）。二、定位与建图3.GNSS/IMU组合导航中，紧耦合（TightCoupling）与松耦合（LooseCoupling）的本质区别是什么？各自适用场景是什么？答案：本质区别在于融合层次：松耦合将GNSS的位置/速度解与IMU的导航解（通过积分得到）作为观测值，输入卡尔曼滤波器进行融合；紧耦合则直接融合GNSS的原始观测值（如伪距、多普勒频移）与IMU的原始测量值（加速度、角速度）。松耦合对GNSS模块依赖低（仅需输出导航解），计算量小，但在GNSS信号遮挡（如隧道）时易失效；紧耦合利用原始观测值保留更多信息，在GNSS信号弱时仍能通过IMU辅助保持定位精度，但需要GNSS模块开放原始数据接口，算法复杂度更高。适用场景：松耦合用于城市开阔道路（GNSS信号稳定）；紧耦合用于高楼林立或隧道等GNSS易遮挡场景。4.简述LIO-SAM（LidarInertialOdometryviaSmoothingandMapping）算法的核心流程，并说明IMU数据在其中的作用。答案：核心流程分为四步：（1）点云预处理：利用IMU的角速度与加速度对激光雷达点云进行运动畸变校正（补偿雷达旋转与平移导致的点云错位）；（2）特征提取：将校正后的点云划分为扫描线，提取边缘点（相邻点曲率大）与平面点（相邻点法向量一致）；（3）激光惯性里程计：通过IMU预积分得到初始位姿估计，结合点云特征与局部地图（由历史关键帧构建）进行配准（ICP或NDT算法），优化位姿；（4）全局地图构建与回环检测：通过扫描匹配将关键帧位姿加入滑动窗口优化器（Smoother），利用全局地图进行回环检测，闭合轨迹。IMU的作用：①运动补偿：消除雷达扫描过程中自身运动导致的点云畸变；②预积分提供位姿初值：降低激光配准的计算复杂度并避免局部最优；③在无回环或弱特征场景（如空旷停车场）时，通过IMU积分维持短期定位精度。三、决策与规划5.自动驾驶行为决策通常采用分层架构，说明“场景理解层-行为选择层-轨迹生成层”的具体功能，并举例说明各层的输出形式。答案：分层架构功能：（1）场景理解层：通过感知数据识别当前交通场景（如高速公路、交叉路口、行人横道），输出场景标签（如“高速跟车场景”“无保护左转场景”）及关键参数（如前车距离、行人速度）；（2）行为选择层：基于场景标签与交通规则（如《道路交通安全法》），在可行行为集合（如跟车、变道、停车）中选择当前最优行为，输出行为指令（如“准备变道至左车道”）；（3）轨迹生成层：根据行为指令，在车辆运动学/动力学约束下生成连续、平滑的轨迹（位置-时间序列），输出轨迹点（x,y,θ,v,a）及对应的时间戳。示例：场景理解层输出“前方100米有行人横道，行人正在通过”；行为选择层输出“减速至5km/h，停在停止线前”；轨迹生成层输出从当前位置到停止线的减速轨迹，包含各时间点的速度与加速度。6.轨迹规划中，优化目标函数通常包含哪些项？请写出典型的数学表达式（需标注各变量含义），并说明约束条件的设计逻辑。答案：优化目标函数通常包含：（1）路径跟踪误差：最小化与参考路径的横向偏差（e_y）与航向偏差（e_θ）；（2）轨迹平滑性：最小化曲率变化率（κ’）或加速度变化率（jerk）；（3）碰撞避免：最大化与障碍物的安全距离（d_obstacle）；（4）速度舒适性：最小化与期望速度（v_ref）的偏差。典型表达式：J=w1·∫(e_y²+e_θ²)dt+w2·∫(κ’²)dt+w3·∫(1/d_obstacle²)dt+w4·∫(vv_ref)²dt其中w1~w4为各项目的权重系数。约束条件设计逻辑：（1）运动学约束：最大转向角δ_max、最小转弯半径R_min（由轴距L决定，R_min=L/tanδ_max）；（2）动力学约束：最大纵向加速度a_max、最大侧向加速度a_lat_max（由轮胎摩擦系数μ决定，a_lat_max=μ·g）；（3）安全约束：与障碍物的最小距离d_min（如0.5m）、停止线前的最大允许越线距离（0m）。四、控制与执行7.设计车辆横向控制器时，MPC（模型预测控制）与LQR（线性二次型调节器）的主要区别是什么？请说明MPC状态空间模型的构建方法（需给出状态变量、控制输入及模型方程）。答案：主要区别：LQR基于线性时不变系统，通过求解黎卡提方程得到最优反馈增益，适用于线性化后的局部区域；MPC通过滚动优化求解有限时域内的最优控制序列，可显式处理非线性模型与约束（如转向角限制），鲁棒性更强但计算量更大。MPC状态空间模型构建：状态变量x包含横向误差e_y（车辆质心到参考路径的横向距离）、航向误差e_θ（车辆航向与路径切线角的差值）、横向速度v_y（车辆质心横向速度）；控制输入u为前轮转向角δ。模型方程基于车辆单轨动力学（自行车模型）：x(k+1)=A·x(k)+B·u(k)其中A为状态矩阵，包含车辆质量m、轴距L、前后轮侧偏刚度C_f/C_r等参数；B为控制输入矩阵。输出方程y(k)=C·x(k)（C为单位矩阵，直接输出状态变量）。8.纵向控制器需实现跟车功能，说明PID控制器的参数（Kp、Ki、Kd）对控制效果的影响，并提出一种改进方法（如自适应PID）。答案：PID参数影响：（1）比例系数Kp：增大Kp可加快响应速度，但过大会导致超调（如跟车时与前车距离波动大）；（2）积分系数Ki：消除稳态误差（如坡度导致的速度偏差），但过大会引起积分饱和（长时间加速导致与前车碰撞）；（3）微分系数Kd：抑制超调，改善动态响应（如前车急刹时提前减速），但对噪声敏感（传感器噪声导致控制抖动）。改进方法：自适应PID根据当前工况（如跟车距离、相对速度）在线调整参数：当跟车距离d>安全距离d_safe时，增大Kp以快速接近；当d接近d_safe时，减小Kp并增大Ki以消除误差；当相对速度v_rel>0（前车速度低于自车）时，增大Kd以抑制超调。五、仿真与测试9.自动驾驶仿真测试中，HIL（硬件在环）测试与SIL（软件在环）测试的核心差异是什么？简述HIL测试的关键步骤。答案：核心差异：SIL测试中，被测对象（如控制算法）与仿真环境均运行在软件中；HIL测试将真实硬件（如ECU、传感器）接入仿真系统，通过实时接口（如CAN总线）与虚拟环境交互，更接近真实车辆运行场景。HIL测试关键步骤：（1）环境建模：在仿真软件（如Carla、Prescan）中构建测试场景（如城市道路、雨雾天气）；（2）传感器模拟：通过信号发生器模拟激光雷达/摄像头的输出（如点云数据、图像像素值）；（3）硬件接入：将车辆ECU或自动驾驶计算平台通过CAN/LIN总线连接到仿真系统；（4）实时交互：仿真系统以100Hz以上的频率向硬件发送传感器信号，硬件输出控制指令（如转向角、油门）到仿真车辆模型；（5）数据采集与分析：记录硬件的输入（传感器信号）、输出（控制指令）及仿真车辆的实际轨迹，评估控制算法的正确性（如是否碰撞、是否遵守交通规则）。10.构建自动驾驶场景库时，需包含哪些关键类型的场景？说明如何通过真实交通数据（如自然驾驶数据NDS）挖掘边缘场景（CornerCase）。答案：关键场景类型：（1）常规场景：高速跟车、路口直行、无干扰变道；（2）复杂交互场景：无保护左转（对向有来车）、行人突然闯入、施工区域绕行；（3）极端环境场景：暴雨（能见度<50m）、冰雪路面（附着系数<0.3）、夜间无路灯；（4）传感器失效场景：激光雷达盲区、摄像头镜头污损、GNSS信号欺骗。边缘场景挖掘方法：（1）统计异常事件