自动驾驶感知工程师考试试卷及答案

自动驾驶感知工程师考试试卷及答案一、填空题（每题1分，共10分）1.自动驾驶感知常用激光传感器的缩写是______。2.FasterR-CNN的核心候选区域生成网络缩写是______。3.以车辆为中心的感知坐标系是______。4.毫米波雷达常见工作频段是______GHz。5.全卷积网络用于语义分割的缩写是______。6.激光雷达点云预处理的基础步骤是______（去噪/下采样）。7.自动驾驶感知的基础任务不包括______（目标检测/语义分割/语音识别）。8.相机内参的核心参数包括焦距、主点和______。9.传感器外标定的目的是对齐______。10.单目相机无法直接获取______信息。二、单项选择题（每题2分，共20分）1.不受光照影响的传感器是？A.相机B.毫米波雷达C.LiDARD.超声波2.RPN在FasterR-CNN中的作用是？A.分类B.生成候选框C.特征提取D.回归3.基于Transformer的语义分割算法是？A.U-NetB.SegFormerC.DeepLabv3+D.MaskR-CNN4.毫米波雷达相比LiDAR的优势是？A.高精度B.低成本C.高分辨率D.无噪声5.单目SLAM不涉及的任务是？A.定位B.建图C.深度估计D.目标检测6.激光雷达点云配准经典算法是？A.ICPB.SIFTC.ORBD.RANSAC7.近距离障碍物检测常用？A.毫米波雷达B.LiDARC.超声波D.红外8.YOLOv5属于？A.两阶段检测B.单阶段端到端C.语义分割D.实例分割9.交通标志识别（TSR）不用的算法是？A.CNNB.TransformerC.RNND.决策树10.早期融合是指？A.数据级融合B.特征级融合C.决策级融合D.算法级融合三、多项选择题（每题2分，共20分）1.自动驾驶感知核心任务包括？A.目标检测B.语义分割C.车道线检测D.语音识别2.LiDAR分类包括？A.机械旋转式B.固态式C.混合固态式D.超声式3.相机标定步骤包括？A.内参标定B.外参标定C.畸变校正D.点云配准4.多传感器融合层次包括？A.数据级B.特征级C.决策级D.硬件级5.语义分割应用场景包括？A.自动驾驶场景理解B.医疗图像分析C.遥感D.人脸识别6.毫米波雷达参数包括？A.距离B.速度C.角度D.颜色7.点云预处理步骤包括？A.去噪B.下采样C.配准D.分类8.目标跟踪算法包括？A.SORTB.DeepSORTC.Kalman滤波D.匈牙利算法9.动态障碍物类别包括？A.车辆B.行人C.护栏D.树木10.Transformer感知应用包括？A.DETRB.BEVFormerC.SegFormerD.YOLOv8四、判断题（每题2分，共20分）1.相机内参标定只需一张标定板。（）2.LiDAR可直接获取目标三维坐标。（）3.毫米波雷达分辨率比LiDAR高。（）4.FCN支持任意尺寸图像输入。（）5.单目相机无法实现SLAM。（）6.语义分割区分同一类别的不同个体。（）7.超声波用于长距离检测。（）8.RANSAC用于鲁棒模型估计。（）9.决策级融合复杂度最低。（）10.可行驶区域检测属于语义分割。（）五、简答题（每题5分，共20分）1.简述LiDAR与相机的感知优缺点。2.什么是语义分割？自动驾驶中有哪些应用？3.传感器标定的必要性及主要类型。4.目标跟踪的定义及自动驾驶中的作用。六、讨论题（每题5分，共10分）1.讨论Transformer在自动驾驶感知中的挑战及解决思路。2.讨论恶劣天气对感知的影响及应对策略。---答案部分一、填空题1.LiDAR2.RPN3.车身坐标系4.775.FCN6.去噪7.语音识别8.畸变系数9.传感器相对位置/姿态10.深度二、单项选择题1.B2.B3.B4.B5.D6.A7.C8.B9.D10.A三、多项选择题1.ABC2.ABC3.ABC4.ABC5.ABC6.ABC7.ABC8.ABCD9.AB10.ABC四、判断题1.×2.√3.×4.√5.×6.×7.×8.√9.√10.√五、简答题1.LiDAR：优点→三维坐标直接获取、抗光照；缺点→成本高、受雾雨影响。相机：优点→低成本、纹理丰富（易识别标志/车道线）；缺点→受光照/遮挡、无直接深度。两者互补，融合提升鲁棒性。2.语义分割是给图像每个像素分配类别（如车辆、道路）。应用：①场景理解（区分可行驶区与障碍物）；②交通参与者识别；③道路元素检测（车道线、交通锥）；④辅助路径规划。3.必要性：统一传感器坐标系、修正畸变/对齐姿态，保障融合精度。类型：①内标定（相机畸变/焦距、LiDAR内部校准）；②外标定（传感器间相对位置/姿态）；③时间标定（同步采集时间）。4.目标跟踪是连续帧关联同一目标（检测+关联+预测）。作用：①动态目标轨迹预测（辅助避让）；②减少单帧误检；③保持目标身份一致性；④为路径规划提供轨迹数据。六、讨论题1.挑战：①计算复杂度高（注意力机制耗时）；②数据效率低（需大量标注）；③小目标检测差。解决思路：①轻量化设计（SegFormer分层结构）；②数据增强（虚拟场景生成）；③多尺度注意力（CNN+Transformer结合）；④硬件优化（GPU/ASIC加速）。2.影响：①相机→雾雨模糊、对比