自動駕駛面試題匯總（2022秋招題庫）——持續(xù)更新

深藍(lán)學(xué)院 2021-10-25

展開全文

這份面試題整理自12家大廠的2022年秋招面試題。題目基本涵蓋了自動駕駛和機(jī)器人定位方向的主要知識點，包括慣性導(dǎo)航、點云、狀態(tài)估計、CV/VIO、C++等部分。

建議大家先自己答題，再對照參考答案~（參考答案是由5位行業(yè)算法專家整理并校對~），我們也專門建立了面試題交流群，進(jìn)群方式見文末。

目錄
1.慣性導(dǎo)航方向
2.點云算法方向
3.狀態(tài)估計方向
4.計算機(jī)視覺/vio方向
5.C++方向
6.參考答案（部分）

一、慣性導(dǎo)航方向

1.IMU測量方程是什么？噪聲模型是什么？
2.慣導(dǎo)誤差模型是怎么來的？比如15維的卡爾曼濾波模型。
3.GPS雙天線安裝偏角是怎么標(biāo)定的？
4.多傳感器之間是怎么對時的？
5.GPS到來時是有延時的，而IMU給出的加速度和角速度是實時的，這種情況下怎么處理延時？怎么做的融合？
6.DR遞推的原理是什么？大概怎么去做？
7.組合導(dǎo)航卡爾曼濾波過程噪聲是如何調(diào)參的？

二、點云算法方向

1.最近鄰問題有哪幾種典型解法？
2.怎么對KdTree進(jìn)行插入操作？怎么確定一個節(jié)點的分類面？
3.怎么對KdTree進(jìn)行Search By Range和Search By KNN操作？
4.舉出除了KdTree以外的近鄰計算方法（柵格、B樹、R樹、四叉、八叉樹等）。
5.給定一組點，如何計算其擬合平面？如何計算其擬合直線？解釋其方法的意義。
6.舉出常見的點云的registration方法。
7.說明ICP的詳細(xì)過程，要求說明代數(shù)解法和匹配問題解法。
8.匹配問題除了最近鄰還有什么解法？說明匈牙利算法、最大流/最小割、譜方法等其中一種。
9.解釋混合高斯模型含義。解釋EM算法的原理。

三、狀態(tài)估計方向

1.從貝葉斯濾波器角度推出卡爾曼濾波器方程。
2.從增益最優(yōu)化角度推出卡爾曼濾波器方程。
3.從Cholesky方程推出卡爾曼濾波器方程。
4.解釋KF中的噪聲矩陣含義。運(yùn)動方程中估計噪聲是變大還是變?。啃拚匠讨泄烙嬙肼暿亲兇筮€是變??？
5.RTS與KF之間的聯(lián)系？
6.將卡爾曼濾波器推廣至EKF。
7.解釋數(shù)值矩陣求逆的幾種做法（QR、Cholesky、SVD）。
8.什么是Moore-Penrose逆？如何計算Moore-Penrose逆？
9.SVD是什么？SVD是如何求解的？
10.特征值是什么？如何計算矩陣的特征值與特征向量？什么樣的矩陣必然能對角化？不能對角化的矩陣的標(biāo)準(zhǔn)形式是什么？什么是Jordan標(biāo)準(zhǔn)形？
11.如何求解線性最小二乘解？如何求解零空間解？說明特征值方法和奇異值方法之間的聯(lián)系。
12.描述圖優(yōu)化和最小二乘之間聯(lián)系。畫出VIO中常用的圖優(yōu)化模型。
13.稀疏圖優(yōu)化的稀疏性體現(xiàn)在哪里？要求答出稀疏Schur和稀疏Cholesky之一。
14.描述濾波器與最小二乘之間的聯(lián)系？說明為什么卡爾曼濾波器可以看成兩個時刻間的最小二乘。
15.說明UKF、EKF和PF之間的關(guān)系。
16.解釋UKF中的Sigma采樣點關(guān)系。
17.解釋PF中的重要性重采樣的過程是如何做的。解釋輪盤賭原理。
18.解釋李群李代數(shù)在三維狀態(tài)估計中的作用。
19.流形是怎么定義的？流形在局部與R3同胚是什么含義？為什么說SO3是一個流形？
20.解釋SO3, SE3中的Exp和Log的原理。解釋BCH的原理和作用。
21.分別使用左右擾動模型，求解幾個常見的雅可比：

22.解釋四元數(shù)的更新與SO3的更新方式有何異同。
23. 說明四元數(shù)運(yùn)動模型與SO3運(yùn)動模型之間的聯(lián)系。
24. 解釋高斯推斷和概率學(xué)中邊緣化之間的關(guān)系。解釋邊緣化與卡爾曼濾波器之間的關(guān)系。
25. 什么是M估計？說明M估計與核函數(shù)之間的關(guān)系？

四、計算機(jī)視覺/VIO方向

1.單應(yīng)矩陣、基礎(chǔ)矩陣、本質(zhì)矩陣的定義？
2.相機(jī)內(nèi)參和外參的含義？如果將圖像放大兩倍，內(nèi)外參如何變化？
3.徑向和切向畸變模型含義，魚眼模型含義（回答等距投影模型即可）？
4.極線是什么？對極約束是什么？描述了什么幾何關(guān)系？
5.八點法原理與過程。
6.預(yù)積分相比于傳統(tǒng)積分的差異在哪里？
7.預(yù)積分的測量模型和噪聲模型是什么？預(yù)積分對零偏是怎么處理的？為什么要這樣處理？
8.說明預(yù)積分的圖優(yōu)化模型。
9.解釋重投影模型和BA的原理。
10.說明PnP問題的解法。
11.說明RANSAC原理，討論存在的問題。
12.解釋單目VIO的初始化過程。需要估計哪些量？重力方向和尺度如何估計？
13.為什么單目VSLAM會有尺度漂移？如何解釋這種尺度漂移？現(xiàn)實當(dāng)中有沒有14.舉出幾種光流方法（LK，HS等）。說明LK光流的建模方式。

五.C++方向

1.C++函數(shù)指針有哪幾類？函數(shù)指針、lambda、仿函數(shù)對象分別是什么？
2.如何利用謂詞對給定容器進(jìn)行自定義排序？
3.傳遞引用和傳遞值的區(qū)別？傳遞常引用和傳遞引用之間的區(qū)別？傳遞右值引用和傳遞引用之間的區(qū)別？
4.函數(shù)對象應(yīng)該通過什么傳遞？
5.什么是萬能引用？用途是什么？
6.什么是完美轉(zhuǎn)發(fā)？用途是什么？
7.std::unorded_map和std::map之間的差異是什么？
8.虛函數(shù)、虛表的原理
9.如何在c++中創(chuàng)建線程？如何在線程間同步？
10.互斥鎖是什么？用途是什么？條件變量又是什么？為什么要用條件變量？
11.智能指針和祼指針之間的差異？為什么要用指針的引用計數(shù)？
12.智能指針分哪幾種？std::unique_ptr, std::shared_ptr, std::weak_ptr各有何用途？
13.懸掛指針會導(dǎo)致什么問題？如何避免？
14.traits是什么？什么時候用traits？

參考答案（部分）

一、慣性導(dǎo)航方向

1. IMU測量方程是什么？噪聲模型是什么？

中值積分的情況下，IMU的測量方程為：

IMU的隨機(jī)誤差一般包括以下幾類，各類誤差項及其原理如下（以陀螺儀為例）：
（1）量化噪聲
量化噪聲是數(shù)字傳感器必然出現(xiàn)的噪聲，我們通過AD采集把連續(xù)時間信號采集成離散信號，在這個過程中，精度就會損失，損失的精度大小和AD采樣的精度有關(guān)（這里具體指的是模數(shù)轉(zhuǎn)換時，AD器件的位數(shù)，位數(shù)越高采樣越精確），精度越高，量化噪聲越小。
（2）角度隨機(jī)游走
陀螺敏感角速率并輸出時是有噪聲的，這個噪聲里面的白噪聲成分叫寬帶角速率白噪聲，我們計算姿態(tài)時，本質(zhì)上是對角速率做積分，這必然會對噪聲也做了積分。白噪聲的積分并不是白噪聲，而是一個馬爾可夫過程，即這一次的誤差是在上一次誤差的基礎(chǔ)上累加一個隨機(jī)白噪聲得到的。角度誤差所包含的這種馬爾可夫性質(zhì)的誤差就叫做角度隨機(jī)游走。
（3）角速率隨機(jī)游走
從理解上和角度隨機(jī)游走一樣，角速率里面并不全是白噪聲，它也有馬爾可夫性質(zhì)的誤差成分，而這個誤差是由寬帶角加速率白噪聲累積的結(jié)果。
（4）零偏不穩(wěn)定性噪聲
這應(yīng)該是大家再熟悉不過的一個誤差項了，如果一個陀螺只讓你用一個指標(biāo)來體現(xiàn)精度，那必然就是它了。但是這個指標(biāo)的理解上卻不像前幾個參數(shù)那樣直白。
我們可以先把它理解為零偏隨時間的緩慢變化，假設(shè)在剛開始時零偏大小是某個值，那么過一段時間之后，零偏便發(fā)生了變化，具體變化成了多少，無法預(yù)估，所以就要給他一個概率區(qū)間，來描述它有多大的可能性落在這個區(qū)間內(nèi)，時間越長，區(qū)間越大。
實際上，如果你真的測的時間足夠長，會發(fā)現(xiàn)它也不會無限制增長下去，所以，這個對概率區(qū)間的描述只是近似有效，或者一定時間內(nèi)有效，由于這個有效時間比較長，所以我們一般仍然使用這種方式來描述，只是在理解上要知道這一點的存在。
（5）速率斜坡
看到斜坡這種描述詞，我們一般會想它是不是一種趨勢項。實際上，它確實是趨勢性誤差，而不是隨機(jī)誤差。所謂隨機(jī)誤差，是指你無法用確定性模型去擬合并消除它，最多只能用概率模型去描述它，這樣得到的預(yù)測結(jié)果也是概率性質(zhì)的。而趨勢性誤差是可以直接擬合消除的，在陀螺里，這種誤差最常見的原因是溫度引起零位變化，可以通過溫補(bǔ)來消除。
加速度計同樣具有這5項誤差，而且原理一致，因此不再重復(fù)

2. 慣導(dǎo)誤差模型是怎么來的？比如15維的卡爾曼濾波模型。
可參考博客文章 < https://zhuanlan.zhihu.com/p/135230133>
或參考英文文獻(xiàn)< Quaternion kinematics for the error-state Kalman filter >

3. GPS雙天線安裝偏角是怎么標(biāo)定的？
通過車輛前行得到航跡角，同時雙天線自己可以計算出一個航向角，兩者之差為安裝偏角，具體擬合方法可以通過最小二乘或濾波算出。

4. 多傳感器之間是怎么對時的？
激光雷達(dá)：大多數(shù)雷達(dá)如VLP-16等都提供基于pps脈沖和GPRMC信號的輸入接口,PPS和GPRMC信號可以由GNSS或IMU提供，或者由外部時鐘源提供。少數(shù)激光雷達(dá)還支持NTP/PTP同步，PTP的精度一般來說比NTP要高，這兩個信號都需要由外部時鐘源設(shè)備提供。
相機(jī)：需要支持外部觸發(fā)曝光的型號，因為相機(jī)幀周期包括曝光時間和readout時間（整幀像素點讀出），一般來說readout時間是固定的，可以補(bǔ)償這個時間，相機(jī)的時間戳選擇為曝光的中間時間。
GNSS：GNSS可以從衛(wèi)星獲得高精度的時鐘信號，而且通常的GNSS都支持PPS脈沖以及GPRMC信號。
（1）使用GNSS作為時鐘源，將GNSS的PPS信號提供給LiDAR和一個開發(fā)板，開發(fā)板將給相機(jī)同時提供一個曝光的脈沖信號。CAMVOX采用這種方案。
（2）使用外部時鐘源，這種時鐘源通常支持PPS信號輸入，將GNSS的PPS傳給外部時鐘源，同時外部時鐘源可以使用PTP/NTP/PPS給LiDAR做時間同步，同時觸發(fā)相機(jī)開始曝光。外部時鐘源同時也可以使用PTP/NTP對主機(jī)進(jìn)行時間同步。

5. GPS到來時是有延時的，而IMU給出的加速度和角速度是實時的，這種情況下怎么處理延時？怎么做的融合？
先通過imu積分計算實時的軌跡，同時把imu數(shù)據(jù)緩存下來，當(dāng)GPS到來時，再根據(jù)GPS的時間戳去修正歷史時刻的數(shù)據(jù)，然后重新積分該時刻后的imu。

6. DR遞推的原理是什么？大概怎么去做？
DR，也叫航位推算，是在知道當(dāng)前時刻位置的條件下，通過測量移動的距離和方位，推算下一時刻位置的方法?？梢愿鶕?jù)上一時刻位置速度角度，通過imu加速度二次積分得到平移量，角速度積分得到旋轉(zhuǎn)量來進(jìn)行DR，也可以通過輪速計和車輛運(yùn)動模型來進(jìn)行DR。

7. 組合導(dǎo)航卡爾曼濾波過程噪聲是如何調(diào)參的？
先通過GPS和imu的性能參數(shù)和頻率確定一個米級單位下的噪聲。之后在該噪聲參數(shù)下得到融合的軌跡，然后分別對兩個噪聲增大縮小分成幾組進(jìn)行調(diào)節(jié)，觀察軌跡。最終選最平滑的一組軌跡的噪聲參數(shù)，或者選跟真值比精度最高的一組的噪聲參數(shù)。