新石器 系统工程师一面：传感器标定、感知方案与实车调试

《面试题目》

1. 请先做一下自我介绍。
2. 传感器有哪些，怎么布局和标定的？
3. 感知可以用什么方案？
4. 循迹、变道、停车是怎么实现的？
5. 调试中遇到的最难的问题是什么？

《参考解析》

传感器布局与标定：布局的第一原则是覆盖 + 冗余。常见配置是 1 个（半固态或机械式）激光雷达放车顶居中、尽量装高，目的是减少自车结构遮挡、保证 360° 水平视场；23 个毫米波雷达放四角或前后保险杠，补近距离盲区，同时它对雨雾和相对速度的测量比视觉稳；摄像头多路环视，前视尽量贴近驾驶员视角，相邻相机必须留出重叠视场——重叠区既是外参联合标定的前提，也是目标关联和深度估计的来源。布局要过的约束有三条：视场重叠、近场盲区（01 米是视觉与激光共同的死角，靠超声波补）、以及自车遮挡与大灯/雨刷的干扰。标定分内外参：内参（焦距、主点、畸变系数）出厂用棋盘格或圆点靶标标一次就固定；外参必须每台车装完重标，因为车体公差会让每台车各传感器的相对位姿都不同。流程通常是先把车开到标定场地用已知位置的标定物，做相机-相机（同一目标在多相机中的重投影误差最小化），再做激光雷达-相机（在点云中提取标定板的平面与角点，与图像角点对应后用 PnP + 非线性优化求外参），最后做激光雷达-车体（点云对齐地面与车体坐标系）。验收指标就是重投影误差（一般要求压到 1~2 像素）与平面拟合误差；量产后还会加在线标定，用路面、车道线等自然特征持续估计外参漂移。

感知方案怎么选：按任务拆开答。目标检测（车、人、锥桶）在嵌入式平台上主流是 YOLO 这类单阶段检测器，理由是能在有限算力下跑到实时，精度对当时的场景够用；车道线在结构化道路上用传统图像处理最省——逆透视变换把图像投到俯视平面，再做边缘/梯度检测加多项式拟合，可解释性和成本都优于上网络。再往上就是 BEV 方案（LSS / BEVFormer / BEVDet 这一系），把多相机特征投到统一的鸟瞰空间，好处是消除透视遮挡、便于多传感器后融合，且规划模块可以直接消费；代价是算力和标定精度依赖都很高。回答时的加分点是把 trade-off 说透：单目视觉便宜但测距不准，激光雷达测距准但贵、雨雾衰减明显，毫米波测速准、穿透性好但分辨率低——工程上做的是目标级后融合：空间上用最近邻/匈牙利算法做关联（配合马氏距离门限），时间上用卡尔曼滤波预测对齐各传感器的到达时刻，再按协方差加权融合，而不是简单投票。最后一定要说失效兜底：感知置信度低或定位跳变时降级（限速、靠边停车、请求接管），而不是硬撑。

循迹、变道、停车的实现：循迹最常用纯跟踪（Pure Pursuit）：在参考路径上按前视距离 Ld 取一个目标点，用几何关系算前轮转角 δ = atan(2L·sinα / Ld)，本质是「追一个前视点」。调参的核心就是 Ld——太小对横向误差敏感，方向盘会抖甚至震荡；太大则切内弯、跟踪滞后，工程上一般按车速自适应（Ld = k·v + L0）。低速场景也可以用 Stanley（航向误差 + 前轴横向误差），算力允许时用 MPC，能把转角和加速度约束显式写进优化。变道是状态机 + 轨迹规划：状态划分成「保持—请求变道—等间隙—执行—回正」，判断条件包括目标车道前后车的相对距离与相对速度（用 TTC / THW 设门限）、最小安全距离、自车在车道内是否稳定、以及盲区有没有车；轨迹用五次多项式（保证位置、速度、加速度连续）或圆弧-直线拼接。停车用几何法（圆弧-圆弧、Reeds-Shepp 曲线）生成可行路径，再做速度规划（梯形或 S 曲线），难点落在最后 20 厘米的定位精度与刹停平顺性上：近距离靠轮速计加视觉/超声定位，刹停要限制减速度变化率（jerk）避免点头。失效场景至少要能列三个——定位置信度低（GNSS 多径、激光匹配退化）、感知误检漏检（逆光、雨雾）、控制跟踪超差；兜底逻辑是「定位置信度低于阈值立即退出自动驾驶并平稳减速」。

偶发不上线问题的排查思路：这道题考的是方法论，答案的价值在于每一步排除掉了什么。① 先把「偶发」变成可统计的复现：记录室外过夜后首次上电的成功率，看是否与温度、湿度、电量相关；② 先软件后硬件——换固件版本、加调试打印，现象不变说明不是应用逻辑问题；③ 再做个体交叉验证——换车、换同型号传感器，排除器件个体差异和线束接触不良；④ 缩小到供电链路，用示波器抓上电时序，对比各电源轨的上电斜率与复位释放时刻（POR / PWRGD），发现低温下某电源芯片启动时间变长，传感器还没初始化完主控就发起了第一次通信；⑤ 修复分两层：软件上给上电流程加「等电源稳定 + 等设备就绪」的握手、重试与超时判定，硬件上调整上电时序（必要时加 RC 延时或换器件）；⑥ 把低温上电纳入可靠性测试矩阵与产线筛检，防止复发。这套「控制变量 + 分层排除（软件 → 个体 → 链路 → 时序）」的叙述方式，比直接报结论更被面试官认可。