百度 算法岗面经 两轮 智驾决策与大模型

《面试题目》

第一轮（2026 年 8 月 20 日）

1. 请做一下自我介绍。追问：为什么模型只使用一个 Head？
2. Loss 和 Reward 是如何设计的？
3. 决策任务的 Label 是什么？预测任务如何监督？
4. 预测结果不解码、只使用高维特征时，如何监督预测精度？
5. 整个训练采用开环还是闭环？
6. 主车动作会影响周围车辆吗，仿真中如何实现这种交互？
7. 是否评估过交互合理性、训练场景质量和 Corner Case 配比？
8. 模型只输出离散决策时，如何控制车辆并生成轨迹？
9. 如何评价模型效果，并与其他算法进行比较？
10. 不同程度的减速如何映射到碰撞风险？
11. 单独训练决策模型与实际工程落地之间有哪些差距？
12. 数据清洗具体如何进行？
13. C++ 掌握到什么程度，是否做过部署工作？

第二轮（2026 年 8 月 14 日）

14. 请做一下自我介绍。
15. 大模型实习经验与智驾算法岗位有哪些共同点，哪些能力可以迁移？
16. 自建数据集的规模是多少，评估集规模是多少？
17. 采用 SFT 与 GRPO 后，相比原有模型做了哪些改动？
18. 数据层面存在哪些问题，做了哪些改进？
19. 模型最终输出的内容是什么？

《参考解析》

为什么只用一个 Head 是个取舍题：单 Head 输出一个联合分布（比如「行为类别 + 目标车道 + 目标速度」打包进一个分类头），参数共享、样本效率高、推理只跑一次，也省掉了多任务之间的权重调参；代价是任务之间可能梯度打架——行为意图和速度决策相关性高时共享有益，而像「感知回归」和「行为分类」这种异质任务硬塞一个头就会互相拖累。真被追问时给出判断标准：任务相关性高、标注量小、推理预算紧就用共享头，任务异质或需要独立调权时再拆多 Head / 多头注意力。能说出「我先试了共享头，因为…」比背结论好。

Loss 与 Reward 的设计要点：监督学习阶段用交叉熵拟合专家动作（多模态时用 Laplacian 混合或 anchor 分类 + 偏移回归，输出分布而不是单点），再叠一个 KL 约束防止策略分布跑得太偏。强化学习阶段（GRPO / PPO）Reward 是一个加权标量，通常分四类：安全（碰撞、闯红灯、压实线、冲出可行驶区域给大负值或直接终止）、舒适（加加速度 jerk、横向加速度、曲率变化）、效率（通行时间、与限速的偏差、跟车距离）、合规（车道保持、礼让）。关键是权重与量纲：各项先归一化到同一量级，安全项用硬约束或 -100 级的大惩罚，而不是和其他项同权重的小扣分——否则策略会学会「轻微碰撞换效率」。

决策与预测任务的 Label 与监督方式：决策任务的 Label 是专家驾驶行为，常见做法是离散成行为类别（跟车/换道/让行/停车）加上目标车道、目标速度这类结构化标签，由专家轨迹反推或人工标注；预测任务的 Label 是周围车辆未来几秒的轨迹序列，监督方式不是单纯回归坐标，而是「分类 + 回归」的多模态输出（若干条候选轨迹各带概率，回归各自偏移）。如果只用高维特征不解码，监督要走辅助任务：把特征接一个未来轨迹预测头算 NLL 作为辅助 loss，或者做对比学习（同一场景不同时刻为正样本、不同场景为负样本），保证特征里保留了未来运动信息；否则特征会退化成只对当前帧分类有用的东西，下游规划用不上。

开环训练和闭环训练的差别必须说清：开环是拿真实日志喂模型、用专家动作监督，训练便宜、指标可复现，但存在因果混淆——模型的动作不会改变输入分布，推理时的误差累积和分布漂移完全暴露不出来，开环指标好不等于在车上好。闭环是模型的动作真的接到仿真器里控制主车，后续状态由模型行为决定，能暴露级联误差、震荡和死锁，代价是仿真昂贵、结果对场景初始化敏感、甚至不可复现。工程实践一般是开环预训练 + 闭环微调与验收，并且要明确两个阶段各自的指标口径：开环看位移误差 / 分类准确率，闭环看碰撞率、接管率、通行效率。

离散决策怎么变成可执行的轨迹：模型输出离散的决策（换到左车道、目标速度 60、减速度档位），规划层负责解码：横向以目标车道中心线为参考，用五次多项式或螺旋线在横向采样出满足曲率约束的路径；纵向把目标速度档转成 s-t 曲线（梯形速度曲线或多项式），或者把离散决策当成 MPC 的参考与约束项，让优化器在满足运动学（曲率、加速度、jerk 上下界）的前提下生成连续轨迹。中间必须做可行性校验：曲率超限、加速度超限、与障碍物时空重叠都要回退到保守动作，不能让分类头的输出直接变成方向盘转角。

不同程度的减速怎么映射到碰撞风险：主流做法是用 TTC（Time To Collision，本车与目标沿相对运动方向相撞的剩余时间）分档：TTC 大于 3 秒属于安全跟车，做轻微松油门或小减速；1.5 到 3 秒进入预警区，给中等减速；小于 1.5 秒进入紧急区，直接最大减速度制动。也可以用 RSS（责任敏感安全）算最小安全距离，或者用势能场/占据栅格给出连续风险值而不是分档。要注意 TTC 只对真正有冲突的目标算：先做横向重叠判定（同车道或车道切入），否则相邻车道正常行驶的车会算出虚假的高风险，导致幽灵刹车。

数据清洗与 Corner Case 配比：清洗分三层——物理可行性过滤（切掉加速度、jerk、曲率超限的轨迹，识别传感器跳变和标注抖动）、去重（对场景做特征哈希或轨迹相似度聚类，避免近似重复样本反复进训练集）、标注一致性校验（同一场景多次标注的差异过大就回炉）。Corner Case 靠主动挖掘而不是随机采样：按场景类型打标（加塞切入、鬼探头、静止障碍、施工区、大车遮挡、逆光/雨夜），统计各类型占比后做定向补齐，让危险场景在训练集里的占比明显高于它自然出现的频率，但也不能全喂长尾——直行跟车这类高频场景承载了基础能力，配比失衡会让模型在正常场景里也犹豫。评估集要和训练集场景隔离，并且单独留一套长尾测试集看边际效果。

SFT 与 GRPO 的关系：SFT 是模仿学习，用（输入，标准输出）对做极大似然，作用是让模型学会格式、领域语言和基本能力，但它只能拟合「平均答案」，学不到「哪个答案更好」。GRPO（Group Relative Policy Optimization）是策略优化：同一个 prompt 采样一组 G 个回答，用各自的 reward 减去组内均值、除以组内标准差得到归一化优势，再按这个优势做策略梯度更新，并加 KL 惩罚约束不要偏离参考模型太远。相比 PPO 它去掉了 value/critic 网络，省掉一份和策略同规模的显存与训练开销，适合 reward 能程序化校验的任务（数学、代码、格式约束）。落到「相比原模型改了什么」时，要具体说清是加了 SFT 数据域、换了 reward 设计、还是调了采样组大小 G 与 KL 系数。