文远知行自动驾驶测开一面：低频偶现问题与无标准答案的判定

《面试题目》

1. 请做一下自我介绍
2. 自动驾驶算法出现低频偶现问题时，你如何建立可复现链路？
3. 如何验证多传感器时间同步误差不会导致感知结果异常？
4. 怎样判断一个算法问题应该归属于数据、模型还是工程实现？
5. 面对没有唯一正确输出的规划算法，如何设计测试判定标准？
6. 如何测试自动紧急制动功能中的误触发与漏触发？
7. 仿真测试通过但实车失败，通常从哪些方向定位？
8. 如何验证模型量化前后没有引入不可接受的风险？
9. 如何构建城市道路风险事件评测平台的测试方案？

《参考解析》

「低频偶现」的复现思路是把时间维度变成数据维度。 低频偶现的本质是触发条件藏在某个组合里（特定的时序 + 特定的数据分布 + 特定的资源状态），靠反复跑实车撞运气不现实。可复现链路一般这样搭：先把失败现场完整录下来（原始传感器数据、时间戳、中间模块输出、系统状态与资源占用），变成可以离线重放的 case；再在回放环境里定位是哪一段产生偏差；最后做参数化扰动——把怀疑的因子（相对速度、横向偏移、光照、时间抖动、线程调度）逐个扫描，找到能稳定触发的最小条件组合。做到这一步，「偶现」就变成了一个带参数的确定性用例，才能进回归集。

多传感器时间同步误差怎么验。 先按系统设计确认各传感器允许的最大时间偏差（相机、激光雷达、毫米波雷达之间的量级不同），然后主动注入不同方向、不同幅度的时间偏移，观察目标位置、速度和关联关系的变化。测试不能只验证固定偏移，必须覆盖时钟漂移、时间戳跳变、数据延迟抖动、消息乱序和传感器短时中断。对于高速横穿目标，可以用 位置误差 ≈ 目标相对速度 × 时间同步误差 做风险估算——这个关系式很实用，它能解释为什么同样的同步误差在低速场景无所谓、在高速场景却会造成明显空间错误。除检测精度外，还要关注目标 ID 切换率、轨迹连续性、融合拒绝率和下游规划行为。

「问题归属数据、模型还是工程实现」要靠逐层对比中间结果。 判断依据不是现象，而是第一次发生偏差的位置：先确认原始输入和标注是否正确，再检查模型原始输出，最后检查后处理及模块间传输结果。规律是——如果错误在特定数据分布上稳定出现、且模型原始输出已经异常，偏向数据或模型问题；如果离线推理正常而集成环境结果异常，优先检查预处理、模型转换、量化、内存布局和后处理；如果同一输入输出不稳定，则要排查并发、缓存、未初始化变量和非确定性算子。所以工程上必须保留各阶段中间结果，否则「归属判断」只能靠猜。

规划算法没有唯一正确输出，判定标准要分层设计预言。 不能用「是否等于某条标准轨迹」当唯一判据，更合理的是分层：硬约束（不碰撞、不越出可行驶区域、不违反交通规则）、舒适性约束（横纵向加速度、加加速度、曲率变化不超阈值）、效率指标（通行时间、停车次数、平均速度、无效等待）、稳定性指标（连续周期轨迹不频繁左右切换或跳变）、交互指标（不迫使其他交通参与者急刹急转）。判定顺序上必须先查硬约束，再对其他指标综合评分——不能用舒适性或效率得分去抵消碰撞这类严重问题，这是分层判定的关键纪律。

AEB 的误触发与漏触发要成对设计场景。 正向危险样本包括前车急停、行人横穿、静止障碍物、遮挡后突然出现的目标；负样本要选高相似度的正常场景——井盖、桥梁阴影、路侧护栏、相邻车道车辆、弯道对向车辆，这些才是误触发的常见来源。每个场景都应参数化目标类型、相对速度、碰撞时间、横向偏移、道路曲率、光照和天气。指标上，漏触发看系统是否在安全窗口内建立制动，误触发看不必要减速的次数；核心指标包括碰撞率、触发时刻、最大减速度、剩余碰撞时间、误制动次数和驾驶员接管率。

仿真通过、实车失败怎么定位。 常见原因分两类：输入分布不一致（仿真缺少传感器噪声、时间延迟、标定误差、真实车辆动力学和道路附着条件，目标轨迹和传感器数据过于理想）和运行条件不一致（计算平台、模型精度、线程调度、消息频率、资源竞争）。定位方法是把两个环境中的中间结果逐步对齐——从感知目标、定位信息、预测轨迹一直比到规划控制指令，找到结果首次产生分叉的处理阶段，而不是直接比较最终车辆行为。这条「找第一次分叉点」的思路也适用于一切环境相关的问题定位。

量化前后的风险验证不能只看整体精度。 必须分桶对比：按目标类别、距离、尺寸、遮挡程度、光照条件和场景类型分别统计，因为整体指标变化很小也可能掩盖关键安全场景上的明显退化。同时比较浮点与量化模型的原始输出、置信度分布、召回率、误检率和推理延迟；靠近决策阈值的样本要重点检查——量化误差让结果跨过阈值，影响会被放大成行为差异。还要验证不同芯片、不同批次输入、长时间运行下的稳定性，并对高风险样本设置比整体指标更严格的准入标准。

「构建评测平台测试方案」的答法要落到可交付物。 拆成数据接入、场景解析、指标计算、报告与归因几段来测：数据接入验证格式兼容与完整性（丢帧、时间戳错乱、异常值），场景解析验证事件切分与标签正确（这直接决定指标可信度），指标计算要用手工核算过的样本集做金标准校验，报告与归因验证能否定位到具体片段而不是只给一个总分。别忘了平台自身的可靠性：任务重复提交、部分数据缺失时不能把结果标成成功、以及结果要可追溯到数据版本与算法版本——评测平台一旦给出假绿的结论，比没有评测更危险。