智驾APA_HPA可行驶区域检测算法工程师面试问题整理可参考

智驾APA/HPA可行驶区域检测算法工程师面试问题整理可参考

适配岗位：自动泊车感知算法、可行驶区域检测、FreeSpace/车位检测、泊车语义感知、APA/HPA感知算法工程师

适配年限：2--4年主流车企/自动驾驶供应商工作经验（侧重落地、迭代、问题闭环、工程优化，不含纯科研难题）

覆盖模块：FreeSpace可行驶区域、车位检测、地缝/边缘/路沿检测、BEV泊车感知、APA自动泊车、HPA记忆泊车、模型训练、失效场景、工程部署、迭代优化

一、基础认知类

该部分为初面必考，主要判断候选人是否长期深耕泊车感知，而非通用视觉算法混岗

1. 请你完整介绍APA自动泊车、HPA记忆泊车的整体流程，感知模块在其中承担什么角色？

2. 泊车感知和高速NOA、城市NOA感知的核心区别是什么？为什么泊车更依赖FreeSpace而非车道线？

3. 可行驶区域（FreeSpace）的定义是什么？泊车场景下 FreeSpace 需要区分哪些区域？（可行驶、禁行、障碍物、路沿、空地）

4. 泊车场景下的核心感知任务有哪些？（FreeSpace分割、车位检测、地边/路沿检测、低矮障碍物、悬空障碍物、可通行间隙）

5. APA和HPA感知的差异点？HPA记忆泊车对感知的稳定性、一致性有哪些特殊要求？

6. 低速泊车场景的难点和高速自动驾驶难点有什么本质区别？

7. 泊车感知的输入传感器有哪些？环视、前视、毫米波、超声波各自的优缺点和分工？

8. 纯视觉泊车、视觉+超声融合泊车、多传感器融合泊车的适用场景和短板？

9. 什么是可行驶区域连通性？泊车中为什么必须保证FreeSpace连通、无空洞？

10. 泊车感知输出给到下游规划控制的输出格式、精度要求、帧率要求分别是什么？

二、核心算法原理：FreeSpace可行驶区域检测

该部分是泊车算法工程师区别于普通CV算法的核心，面试占比40%，重点考察落地理解而非纸上理论

1. FreeSpace可行驶区域检测主流方案有哪些？分别讲讲图像分割方案、BEV鸟瞰图分割方案、传统视觉轮廓方案的优劣？

2. 为什么现在主流车企泊车感知全部切换为BEV-FreeSpace，淘汰前视/环视透视视图分割？

3. 2D透视视图FreeSpace存在哪些致命问题？（近大远小、畸变、测距不准、拼接误差）

4. BEV FreeSpace的实现流程：图像输入→特征提取→透视变换/投影→BEV网格分割→后处理→可行驶区域输出，请完整复述？

5. 环视四图拼接的原理是什么？拼接误差、鬼影、错位的成因和解决方案？

6. FreeSpace分割常用网络结构：FCN、U-Net、BiSeNet、SegFormer、轻量BEV分割网络，你用过哪些？各自优缺点？

7. 泊车场景为什么不能用重型分割网络？对模型参数量、推理耗时、显存的硬性要求是什么？

8. FreeSpace的标签体系如何设计？泊车场景需要区分哪些类别？（可行驶区域、路沿、台阶、低矮障碍、悬空障碍、地面坑洼）

9. FreeSpace损失函数怎么设计？是否只用交叉熵？为什么需要边缘损失、权重均衡损失、Dice损失？

10. 泊车场景极度类别不均衡（空地多、障碍物少），你如何解决？Focal Loss、样本加权、难样本挖掘怎么做的？

11. FreeSpace后处理流程详细说：阈值分割、形态学开闭运算、连通域筛选、空洞填充、边缘平滑、噪点去除？

12. FreeSpace检测最大的失效场景是什么？低矮障碍物、透明物体、反光地面、阴影、积水、草地如何处理？

13. 阴影对可行驶区域检测的干扰原理？你做过哪些针对性优化？

14. 地面反光、地砖纹理、斑马线、碎石地面导致的误检/漏检如何解决？

15. 什么是FreeSpace虚边、锯齿边、断边？对泊车规划的影响？如何算法优化？

16. 可行驶区域的测距精度如何保证？像素误差如何转化为物理米级误差？

17. 夜间泊车、弱光、逆光、车库灯光闪烁场景下，FreeSpace稳定性如何提升？

18. 动态干扰场景：行人走动、车辆移动、扫地机器人，FreeSpace如何避免抖动误判？

三、APA自动泊车专项面试题

1. 完整描述APA自动泊车全流程：感知→车位识别→空间预估→路径规划→控制入库

2. 自动泊车支持哪些车位类型？（垂直、水平、斜列车位、窄车位、断头路车位）

3. 车位检测的两种方案：标线车位检测、无标线FreeSpace车位检测，分别原理和适用场景？

4. 无标线车位（空地车位）如何通过FreeSpace计算可泊车空间？空间阈值如何定义？

5. 车位漏检、误检、多检的核心原因？你如何迭代优化？

6. 窄车位泊车感知难点是什么？如何提升小间隙、窄通道的可通行判断准确率？

7. 邻车倾斜、压线、不规范停放，对车位检测和FreeSpace判定的影响？解决方案？

8. APA泊车过程中感知抖动会导致规划路径跳变，你如何做时序平滑、滤波优化？

9. 泊车过程低速蠕行，画面连续变化导致的FreeSpace闪烁如何解决？

10. 自动泊车的失效场景Top10是什么？你主导解决过哪些？

四、HPA记忆泊车专项面试题

HPA是当前车企核心卖点，3年经验必须懂感知适配逻辑

1. 详细说明HPA记忆泊车的建图、存储、复现全流程，感知模块的作用？

2. HPA建图阶段和复现阶段，感知输出有什么不同要求？

3. 为什么HPA对FreeSpace的时序一致性、稳定性要求远高于普通APA？

4. 记忆泊车场景下，动态障碍物（临时停车、行人）如何和地图静态FreeSpace做融合？

5. HPA常见问题：复现路径偏移、局部区域可行驶判定突变、路径中断，感知侧原因是什么？

6. 地下车库场景：立柱密集、柱子反光、地面重复纹理，如何保证长距离泊车感知稳定？

7. HPA如何处理环境变更（新增障碍物、车位变动、地面翻新）？

8. 记忆泊车的感知滤波、时序融合、历史帧平滑策略你是怎么设计的？

五、BEV泊车感知专项

1. BEV泊车感知的核心优势是什么？相比透视视图解决了什么痛点？

2. 环视相机内外参标定、手眼标定、地面标定误差对BEV FreeSpace的影响？

3. 标定老化、相机偏移、温度漂移导致的BEV地图偏移如何检测和补偿？

4. BEV网格分辨率如何选择？（如200*200、400*400）分辨率和算力、精度的取舍？

5. BEV特征变换的主流方式：IPM逆透视、Transformer BEV、卷积投影的区别？

6. 多帧BEV时序融合怎么做？为什么时序融合能大幅降低抖动？

7. BEV FreeSpace的后处理如何保证通行区域连续、无断层、无孤立噪点？

六、模型训练、数据集、迭代优化

1. 你的FreeSpace数据集是如何搭建的？采集场景、筛选标准、标注规范是什么？

2. 泊车场景数据的长尾分布问题如何解决？（阴影、夜间、窄通道、反光样本少）

3. 你用过哪些数据增强？泊车场景不能用哪些增强？为什么？

4. 难样本挖掘的完整流程：数据回流→筛选→标注→增量训练→效果验证？

5. 模型训练超参数如何调优？学习率、batch、迭代次数、权重衰减的取舍？

6. 如何判断模型是欠拟合、过拟合？泊车感知过拟合的具体表现是什么？

7. 模型精度评估指标：mIoU、F1、Recall、Precision在FreeSpace任务中各自的意义？

8. 泊车感知更看重召回还是精确率？为什么？如何权衡？

9. 增量训练、迁移训练如何做？如何避免新数据训练破坏旧场景效果？

10. 仿真数据如何使用？仿真数据和真实数据的域 gap 如何解决？

七、模型部署、算力优化、工程落地

1. 你训练的FreeSpace模型如何部署到车载端？完整部署链路？

2. 模型量化：INT8/FP16量化对分割精度的影响？泊车场景量化掉点如何修复？

3. 模型推理耗时优化手段：剪枝、蒸馏、层融合、算子优化、多线程推理？

4. 车载芯片（地平线、黑芝麻、高通）部署的适配难点？

5. 如何保证车载端帧率稳定、无卡顿、低延时？

6. 模型热更新、增量迭代上线流程是什么？

7. 线上问题回流、日志抓取、badcase分析的完整闭环流程？

八、场景失效问题+故障排查（面试官最爱问，最能体现工作经验）

全部为泊车项目真实线上问题，3年工程师必须能熟练解答

1. 车库地面强反光，导致FreeSpace误判为障碍物，车辆刹停，如何解决？

2. 树荫、车库灯阴影导致可行驶区域被截断，泊车路径中断如何处理？

3. 低矮石墩、减速带、路沿漏检，导致车辆剐蹭，算法如何优化？

4. 悬空障碍物（空调外机、树枝）误判为地面障碍，导致无法通行，如何区分悬空/地面障碍？

5. 动态行人穿梭导致FreeSpace剧烈抖动，泊车路径频繁变化如何优化？

6. 窄车位、狭窄通道可通行区域判断保守，导致泊车失败，如何权衡安全性和通过率？

7. 不同车库纹理差异大（地砖、水磨石、沥青）导致模型泛化差如何解决？

8. 夜间暗光、噪点多导致分割边缘混乱，如何提升鲁棒性？

9. 相机轻微畸变、标定漂移导致BEV区域偏移，如何算法补偿？

10. HPA复现时，局部区域临时堆物导致路径阻断，感知如何自适应？

九、项目深挖追问

面试90%会深挖项目，以下是固定追问

1. 你项目中最大的难点是什么？你是怎么分析、怎么落地、效果提升多少？

2. 你主导过哪几次版本迭代？迭代前后的通过率、失效场景、用户投诉数据变化？

3. 你的模型相比 baseline 提升了哪些指标？mIoU、泊车成功率、场景覆盖率分别提升多少？

4. 项目中遇到过算法和工程、和规控扯皮的问题吗？怎么解决的？

5. 你如何定义可行驶区域算法的好坏？除了指标，还有哪些落地评价标准？

6. 如果让你重新优化当前泊车感知方案，你会从哪三点入手？

十、手撕算法 & 编程题（泊车感知高频）

1. OpenCV实现图像形态学开闭运算，去除分割噪点、填充空洞

2. 实现连通域筛选，保留最大可行驶区域

3. BEV网格坐标与像素坐标、世界坐标的相互转换

4. 时序滑动平均滤波、卡尔曼滤波实现FreeSpace边缘平滑

5. 计算分割IoU、mIoU代码实现

十一、进阶拔高题

1. 视觉FreeSpace+超声波融合，你怎么做融合策略？各自负责什么场景？

2. 如何解决感知保守性和通过率的矛盾？（安全第一但不能太保守）

3. 大模型/端到端泊车感知你了解吗？和传统分割方案的优劣？

4. 如何做泊车感知的A/B测试、灰度上线、效果评估？

5. 智驾感知的安全合规要求，FreeSpace如何满足功能安全、预期功能安全？

十二、面试反问环节

1. 目前团队APA/HPA当前的核心痛点场景是哪些？近期迭代重点是什么？

2. 团队当前采用的是BEV泊车还是传统环视透视方案？是否有技术迭代规划？

3. 算法、工程、规控的分工边界是怎样的？

4. 目前模型迭代的数据集闭环、badcase回流机制是否成熟？

十三、3年经验面试官核心考察维度

面试官不会考你玄学论文，只考4件事：

1. 是否真的落地过：懂业务流程、懂失效场景、懂上下游对接

2. 是否能解决问题：阴影、反光、低矮障碍、抖动、窄通道等真实问题

3. 是否懂工程：训练、数据集、部署、量化、迭代闭环

4. 是否有迭代思维：数据驱动、指标提升、问题闭环

（注：文档部分内容可能由 AI 生成）