文远知行感知算法一面：项目拷打与场景题手撕

《面试题目》

1. 自我介绍。
2. 项目拷打。
3. 手撕：参考项目中的某个细节出的场景题（非力扣题）。

《参考解析》

感知岗的项目拷打有固定落点，按这五层准备最稳。 一是数据：数据来源与规模、标注方式与一致性、长尾场景怎么补（影子模式、难例挖掘、自动标注），数据质量问题怎么发现；二是模型：结构选型（2D／BEV／时序融合、检测头与查询式方法）、为什么这么选、和 baseline 的对比；三是训练：损失设计（分类与回归的平衡、正负样本分配）、数据增强、课程与蒸馏、训练稳定性；四是评测：指标口径（mAP、NDS、以及按距离与遮挡分场景切片）、离线指标与上车表现的差距、误检与漏检哪个代价更大；五是部署：量化与编译（TensorRT）、时延与显存约束、多相机多帧的流水线设计。任何一层被追问都要能给出「我做了什么取舍、依据是什么数据」。

「从项目细节出的场景题」考的是把工程问题抽象成算法的能力。 这类题没有标准答案，评分点在你有没有先把问题定义清楚。开场先澄清四件事：输入是什么（数据类型、频率、坐标系、是否有时序）、输出与精度要求、资源约束（时延、内存、算力平台）、以及允许的失败模式（漏检能不能容忍）。然后给方案主体：选什么表征、用什么模型或几何方法、如何利用项目里已有的先验（标定参数、运动模型、地图先验），再说验证方式（在什么数据上怎么量化，边界 case 怎么测）。写不完代码不要紧，把思路与关键数据结构说清楚，面试官提醒时顺着他的方向修正而不是硬顶；能主动说出方案的两个失败场景和自己会怎么兜底，往往比把代码写完更能拿分。

岗位不完全对口时，把可迁移的部分往前排。 这位作者自评和岗位对口度不算特别高，一面仍然通过，靠的是把通用的硬能力讲透：优化与几何基础、代码与工程实现、数据处理与评测方法论，以及能快速把新论文落地的经验。做法是在自我介绍里就说明「我的方向偏 X，但做过的 A、B 和感知岗的 C、D 是同一套能力」，再给一个具体的迁移例子（同一个优化框架或数据管线如何复用），把「不对口」从减分项变成学习能力的证据；同时准备一个明确的补课计划（最近读了什么、动手复现了什么），比空口说「我可以学」有力。

场景题之外的软性细节也在被观察。 面试官给出提示、候选人怎么接，是判断协作方式的窗口：被打断时先确认对方的意思、接受提示后把改动讲一遍（「按您说的改成先做 X，这样好处是…」），这比闷头写更能体现沟通。另外「一面暂时通过」不是结果，后续轮次往往考更深的系统设计与代码质量，别在这里松劲。