普渡机器人算法测试一面：线缆检测模型怎么测

《面试题目》

1. 为什么想来做偏算法和控制的测试？
2. 你学过信息融合，松耦合和紧耦合的区别是什么？
3. 实习经历拷打
4. 项目经历拷打
5. 场景题：清洁机器人为了防止卷入滚轮，算法团队给了一个线缆检测模型，你会怎么去测试它？
6. 给清洁机器人写一个自动化测试脚本，你会怎么设计？

《参考解析》

松耦合与紧耦合（信息融合语境）：判断标准是「各传感器是在原始量测层融合，还是在各自估计结果层融合」。紧耦合把不同传感器的原始观测放到同一个滤波器里联合估计状态，比如把 IMU 的角速度和里程计的位移直接送进同一个 EKF 的量测方程，优点是信息利用率高、在某个传感器观测退化时仍能靠其他量测约束，精度通常更好；代价是状态维度和量测维度耦合在一起，模型复杂、对时间同步和标定误差敏感，一个传感器的异常会污染整个滤波，工程上难调试。松耦合是每个子系统各自滤波出位姿/速度，再把两条估计轨迹做融合（加权、卡尔曼、因子图都可以），优点是模块独立、可分别替换和验证、单路故障易隔离，缺点是丢弃了原始观测中的相关信息，且两路估计之间相关性被忽略时会引入次优甚至不一致的融合结果。组合导航里另一组对应概念是「松组合/紧组合」，本质口径一致。回答时最好带上取舍结论：算力和可维护性优先选松耦合，精度和观测量完整性优先选紧耦合。

线缆检测模型怎么测：这是典型的算法测试场景题，答题框架是「先明确指标和失效代价，再分层测」。第一步确认需求：检测目标（线缆/数据线/拖线板）、输入（RGB、深度还是多传感器）、输出（框/掩码 + 置信度）、运行平台（端侧算力、帧率、延迟）以及安全等级——这里漏检的代价是滚刷被缠绕甚至烧电机，所以召回率优先于精确率，误检的代价只是绕行或多绕一圈。第二步测数据集：真实场景采集要覆盖地板材质（深色地毯、瓷砖、反光地板）、光照（强逆光、夜间弱光、灯光频闪）、线缆形态（卷曲、平铺、部分被遮挡、被家具压住、与水渍电线混叠）、干扰物（窗帘绳、宠物尾巴、桌腿、地面纹理），并按比例划分训练/验证/测试集，保证测试集不泄漏。第三步按指标量化：mAP、尤其单看 recall、不同置信度阈值下的漏检率/误检率曲线、端侧单帧延迟与帧率、连续视频下的抖动和漏帧。第四步做场景化与鲁棒性测试：把线缆放在视野边缘、底盘正下方、突然出现（人在机器人前扔线缆）等 corner case，做小目标、遮挡、运动模糊的专项测试，以及对不同机型的泛化验证。第五步闭环：所有 badcase 记录场景标签并回流到训练集，配合灰度发布和线上回滚开关，同时定义「上线阈值」——只在连续 N 帧置信度超过阈值时才触发减速或绕行，避免单帧误检导致停机。最后别忘了非功能面：模型崩溃/超时时的降级策略（退回超声波或直接停车）。

清洁机器人自动化测试脚本怎么设计：要分层给方案，而不是只写断言。一是仿真层，用 Gazebo/Isaac 之类的仿真环境做回归，能自动化跑用例、可复现、成本最低；二是数据回放层，把真实机器人录制的传感器数据（bag/日志）回灌到算法节点，验证同输入下输出一致；三是真机层，脚本通过 ROS topic/service 或产品协议下发任务、订阅状态，做端到端验证。脚本本身要有四件套：用例编排（YAML/参数化，覆盖清扫路径、沿边、回充、避障、断点续扫）、断言（路径覆盖率、漏扫面积、碰撞次数、耗时、电量曲线、异常日志关键字）、环境管理（起停机器人节点、清场、恢复初始位姿、失败后自动复位）、报告（JUnit/HTML + 日志与视频切片）。再补稳定性：用例失败自动重试但记录真实失败率，长稳跑 24 小时看内存与定位漂移。工程上一定要把「用例可重复执行、失败可定位到日志和视频」当作硬指标。

关于面试体验：原帖作者记录面试官基本按固定问题提问、很少追问项目，中途还闭麦与同事说笑，判断是 KPI 面，面试完 30 分钟收到挂。遇到这种节奏，能做的应对是在回答里主动给结构（先结论再展开）、把关键指标说出来，把可展开的钩子丢回去争取追问；同时在面经里记下体验，后续排优先级时参考。