01

60 秒回答模板

我会先把 4 个激光雷达的数据统一到车辆坐标系，处理外参标定、时间同步、运动补偿和重叠区域去重。然后选择点云表示：可以做点级网络如 PointNet++，也可以投影成 range image，或体素化/BEV 表示后用稀疏卷积、UNet 类网络做语义分割。多雷达融合可以先融合原始点云再分割，也可以每个雷达独立提特征后做特征级融合，具体取决于视场重叠、算力和延迟。训练上要准备点级语义标签，处理类别不平衡、远近密度差异和遮挡。上线还要考虑实时推理、传感器故障降级、时序平滑和与检测跟踪模块协同。

考点 先解决坐标和时间
难度 真实面经题
回答目标 讲清原理、实现和边界
02

深入解析

01

标定同步先行

4 个激光雷达的点云不能直接拼接，必须用外参变换到统一车体坐标系，并处理时间同步。车辆运动会让不同雷达或不同扫描时刻的点产生错位，需要做运动补偿。

02

融合策略选择

早期融合是先把多雷达点云拼成统一点云再分割，结构简单但对标定和同步敏感。中后期融合是各雷达先提特征再合并，更灵活，也更容易处理不同视场和故障降级。

03

点云表示方式

点云可以直接按点处理，也可以转成 range image、voxel 或 BEV。点级方法保留几何细节，range image 高效，voxel 和 BEV 适合稀疏卷积和自动驾驶鸟瞰空间建模。

04

分割模型和训练

模型可以采用 PointNet++、RandLA-Net、SparseConv UNet、Cylinder3D 或 BEV 分割网络。训练要处理类别不平衡、远距离点稀疏、动态物体边界、遮挡和标注噪声。

05

工程部署和安全

自动驾驶感知要求低延迟和稳定性。需要做点云裁剪、体素下采样、TensorRT 或稀疏算子优化，并设计单雷达异常、外参漂移、雨雾噪声和时序抖动的监控与降级。

03

易错点

  • 直接说把 4 份点云拼起来训练，忽略标定、同步和运动补偿。
  • 只列模型名，不说明点云表示和融合策略。
  • 忽略远近密度差异、类别不平衡和遮挡对分割训练的影响。
  • 只谈离线精度，不谈实时性、故障降级和安全监控。
04

面试官追问

早期融合和特征级融合怎么选？

早期融合简单直接，适合标定同步可靠的场景；特征级融合更能适配不同视场、遮挡和单传感器异常，但模型结构更复杂。

为什么需要运动补偿？

激光雷达扫描不是瞬时完成，车辆运动会让同一帧内不同点对应不同采集时刻，不补偿会导致物体形变和边界错位。

点云分割常见指标是什么？

语义分割常看 mIoU、各类别 IoU、Precision、Recall，并按距离、遮挡、动态目标和稀有类别切片。

某个雷达失效怎么办？

需要健康监控和降级策略，例如屏蔽异常源、使用剩余雷达推理、降低置信度，并向规划系统输出感知可靠性状态。