白犀牛自动驾驶实习面经:一面 C++ 与几何题,二面现场两分钟自学 Dijkstra
- 轮次
- 一二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍与项目经历。
- C++ 有哪些特性?
- 智能指针有哪几种,各自解决什么问题?
- 多线程、多进程分别怎么用?
- 给一段代码,看它会打印什么(涉及构造、赋值、移动赋值)。
- 给你三角形的三个点,怎么判断它是逆时针还是顺时针?
- 给你一个 double 类型的数,如何算出它的三次方根?
- 了解的最短路径算法说一下,展开讲讲 Dijkstra。
- 还有别的最短路径算法吗?有学过 A* 算法吗?
- 手撕:归并排序。
《参考解析》
C++ 的核心特性按「语言层 / 抽象层 / 运行期」分三组讲最清楚。语言层:静态类型、编译期多态(模板与重载)、零开销抽象、RAII 与确定性析构、移动语义与右值引用、constexpr、结构化绑定。抽象层:类与继承、虚函数与运行期多态、运算符重载、命名空间。运行期:手动内存管理(new/delete 与智能指针)、异常、STL 容器与算法。面试官问「特性」通常只是开场,紧接着就会挑一个深挖,所以每说一个都要准备好被追问一层——尤其是移动语义与 RAII。
智能指针三种:unique_ptr 独占所有权,不可拷贝只能移动,开销与裸指针基本一致,默认首选;shared_ptr 共享所有权,内部有引用计数(控制块里是强引用与弱引用两个计数),计数归零时析构对象,代价是一次原子操作与两份指针的内存开销,且要注意循环引用;weak_ptr 不增加强引用计数,用来观察 shared_ptr 管理的对象、打破循环引用、以及做缓存(用 lock() 提升为 shared_ptr 再判空)。还要说清 shared_ptr 的坑:两个独立地从同一个裸指针构造的 shared_ptr 会有两个控制块、导致二次释放,正确做法是用 make_shared 或 enable_shared_from_this。
多线程与多进程的使用。 C++ 多线程用 std::thread、std::mutex/lock_guard/unique_lock、condition_variable、std::atomic、std::future/promise/async;线程共享同一地址空间,通信靠共享内存加同步,代价是数据竞争与调试困难。多进程用 fork/exec、posix_spawn 或跨平台的进程库,进程间靠管道、共享内存、Socket、消息队列通信;隔离性好(一个崩了不影响另一个),但创建与切换成本高、数据要序列化。自动驾驶场景里常见的是「感知、规划、控制各跑独立进程,通过共享内存或 DDS 传数据」,因为要隔离故障、也要让各模块用不同的调度策略。
看代码说输出(构造 / 赋值 / 移动赋值)。 这类题的判分点是「能不能分清对象被创建了几次、每次调的是哪个函数」。要记住的规则:T a = b; 与 T a(b); 是拷贝构造;a = b; 是拷贝赋值(要求对象已存在,先析构自己的资源再拷贝);T a = std::move(b); 是移动构造(把 b 的资源指针偷过来、把 b 置空);a = std::move(b); 是移动赋值。编译器会做返回值优化(RVO/NRVO)与复制消除,所以某些看起来该调拷贝构造的地方实际一次都没调——回答时要把「理论调用序列」和「实际输出」分开说,并说明这是 C++17 起的强制复制消除。另外别忘了临时对象与隐式转换(explicit 的作用)也会影响输出行数。
三个点判断顺逆时针。 用二维叉积判方向。设三点 A(x1,y1)、B(x2,y2)、C(x3,y3),算 cross = (B-A) × (C-A) = (x2-x1)(y3-y1) - (y2-y1)(x3-x1)。cross > 0 时 A→B→C 是逆时针(在常见的右手坐标系、y 轴向上的约定下),cross < 0 是顺时针,cross == 0 三点共线。补充两点:屏幕坐标系 y 轴向下时结论会反过来,所以要跟面试官确认坐标系约定;浮点输入下不要直接判 == 0,要用一个与坐标量级相关的 epsilon 判「近似共线」。
double 的三次方根。 三种答法,按面试期望排序:① 牛顿迭代——求 x³ = n 即求 f(x) = x³ - n 的零点,迭代式 x_{k+1} = x_k - (x_k³ - n) / (3x_k²) = (2x_k + n / x_k²) / 3,初值取 n 或 max(1, |n|),收敛是二阶的,十次以内就能到双精度极限;② 二分——在 [0, max(1, n)] 上二分,判断 mid³ 与 n 的大小,稳定但要几十次迭代;③ 直接调 std::cbrt(工程上就这么干,但要能说出它内部也是多项式近似加牛顿修正)。必须处理的边界:负数(三次方根可以是负数,牛顿法对负数同样收敛,或先取绝对值再还原符号)、0、以及极大/极小值导致的溢出与下溢。
最短路径算法要能横向对比。 Dijkstra 解决「非负权图的单源最短路」,贪心 + 优先队列,复杂度 O((V+E) log V),不能处理负权边(负权要用 Bellman-Ford 或 SPFA,能检测负环)。A* 是 Dijkstra 的启发式版本,优先级从 g(n) 换成 f(n) = g(n) + h(n),h 是到终点的估计距离;h 必须可采纳(不高估真实距离)才能保证最优,h 越接近真实值搜索越集中。此外还有 Floyd-Warshall(多源、O(V³)、能处理负权)、BFS(无权图)、以及自动驾驶里更常用的 Hybrid A*(考虑车辆运动学约束)与基于采样/优化的规划(RRT*、lattice planner)。被问到「没学过」时,这两分钟自学的答法是:先讲它解决什么问题、再讲与 Dijkstra 的唯一差别(优先级里多了 h)、最后说 h 的选择与可采纳性——把这三句话说清就已经过关了。
手撕归并排序。 分成两半递归排序再合并,核心是 merge:两个指针分别扫左右两段,取小的放进临时数组,某一段走完后把另一段剩下的整体拷过去,最后写回原数组。时间 O(n log n)、空间 O(n)(临时数组加递归栈 O(log n)),是稳定排序。要主动说的点:递归深度是 O(log n),链表归并可以做到 O(1) 额外空间(只改指针),以及「为什么归并适合外部排序与外链表排序」——它只需要顺序访问,不需要随机写。
这场的经验值得单独记一笔。 二面面试官在候选人说「忘了 Dijkstra」之后,没有换题,而是让他共享桌面现场搜两分钟再讲——这说明面试考的是「遇到不会的东西怎么在短时间内学到能讲清楚」。可行的做法是:先抓这个概念解决什么问题,再抓它与已知方法的差别,最后抓一个关键约束(比如 A* 的启发函数必须可采纳)。这个套路比背实现细节更能救场。