知识点 › 面试题
智驾数据闭环 · 47 道面试题
每题给出参考答案、追问方向与常见踩坑。按领域分组。
范式与价值
什么是数据闭环？为什么重要？
一句话：把真实世界产生的数据持续转化成车端模型能力的工程体系——采集→回传→治理→挖掘标注→训练→评测→部署→再采集。重要在于它决定「发现长尾的速度」，而长尾决定安全上限。
追问：那闭环的「转速」用什么衡量？（闭环周期、数据利用率、自动标注率、复发率）
踩坑：把它说成标注流水线。
闭环包含哪几个环节？
主干七环：采集、回传、存储治理、场景挖掘与标注、训练、仿真评测、部署回流；两个旁路：影子系统（自动发现）与信号系统（状态黑匣子）；一层底座：数据平台（元数据/检索/权限）。
追问：哪个环节最容易断？（部署：发现问题排不上版本）
踩坑：只背步骤，不说「断在哪」。
为什么长尾问题不能靠堆里程解决？
里程增长主要落在简单场景，长尾是组合爆炸且不可穷举，边际收益极低。正确做法是「提高单位里程的长尾召回」+「用仿真/合成补覆盖」，也就是闭环效率而非数据总量。
追问：那怎么衡量「有效数据」？（数据利用率、场景覆盖、每万帧新增场景数）
踩坑：说「数据越多越好」。
数据飞轮怎么量化？
四个数：闭环周期（天）、数据利用率、自动标注率、Bad Case 复发率；再补一个「单位数据的指标增量」。飞轮转速看周期，健康度看复发率。
追问：周期缩短一半，瓶颈会转移到哪？（标注产能/评测算力/OTA 排期）
踩坑：只讲概念不讲数。
采集与回传
采集触发策略怎么设计？
双轨：随机基线（无偏样本，保证分布可测）+ 长尾触发（事件/区域/影子差异/语义不确定）。阈值用回传预算反推，配额按场景稀缺度分配，而不是按车平均。
追问：只有长尾触发会怎样？（分布漂移，模型在常见场景退化）
踩坑：只讲事件触发。
回传成本怎么降？
四招：车端预筛（算力换带宽）、只传关键片段（pre-trigger 缓冲 + 切片）、场站 WiFi/夜间闲时卸载、特征或缩略图先传再按需拉全量。量化口径是「每 GB 带来的指标收益」。
追问：预筛会不会引入选择偏差？（会，必须留随机基线校准）
踩坑：只会说「压缩」。
怎么保证采回的数据分布不偏？
固定比例的随机采样作为无偏锚点；按 ODD/天气/道路分层配额；定期用随机集对比「挖掘集」的分布差异；把「分布漂移」做成看板指标。
追问：发现漂移了怎么纠？（调整配额、补采、训练侧重加权）
踩坑：认为「挖难例」没有副作用。
多传感器时间同步怎么做？
硬件触发（PPS/曝光同步）+ PTP/gPTP 授时 + 统一时间戳口径（曝光时刻而非到达时刻）；验收看跨传感器偏差（<1ms 级）与丢帧率；行曝光场景要做运动补偿。
追问：同步错了会在数据里表现成什么？（融合错位、BEV 拖影）
踩坑：只说「用 PTP」。
标定漂移怎么发现？
在线自检：用车道线/路沿/点云地面拟合外参残差，超阈值标脏；离线抽检：同一路段多车对比；数据侧给每段打「标定健康度」标签，训练时过滤。
追问：漂移会伪装成什么？（模型 bug：BEV 偏移、远处目标漏检）
踩坑：等到实车出问题才查。
数据合规有哪些红线？
三条线：测绘法（地理信息采集资质与加密）、汽车数据安全管理规定（敏感区域、重要数据）、个保法（人脸车牌属个人信息）+ 出境评估。落地手段：车端脱敏、地理偏转、分区存储、访问审计。
追问：出海怎么办？（本地处理、只回传模型/特征、走评估）
踩坑：以为脱敏就万事大吉。
矿山/封闭场景的闭环有什么不同？
路线固定、场景重复度高、可布场端基站与 WiFi、可「导演式」复现、合规压力小；但粉尘/震动/遮挡/无 GPS 是特有难点。闭环更短，数据冗余更高，重点是「增量场景判定」与「场端真值」。
追问：为什么重复度高反而更难？（去重与增量判定，容易过拟合固定路线）
踩坑：照搬开放道路方案。
数据基础设施
数据泄漏怎么防？
三种泄漏：时间（用未来数据）、实体（同场景/同车跨集）、标签（拿测试集挖 case 再训练）。防御：按片段/时间/地理切分；测试集只读+访问审计；holdout 定期轮换；双盲评测。
追问：已经泄漏了怎么补救？（重算历史指标、重建测试集）
踩坑：随机按帧划分。
数据集版本怎么管理？
不可变快照 + manifest 引用（不复制 PB 级数据）+ 变更日志；版本绑定「数据+代码+配置+权重」四元组；禁止原地修改。
追问：为什么不能直接复制数据集？（成本 + 血缘断裂）
踩坑：用文件名当版本。
向量检索 + 标量过滤，应该先过滤还是先搜？
取决于过滤后的基数：选择率低（过滤后很少）就先过滤再 ANN，否则先 ANN 再过滤会漏召回；选择率高就先 ANN + 后过滤，避免破坏索引效率。Milvus 支持标量过滤下推，实际按「过滤基数 / 总基数」估算切换。
追问：过滤后只有 100 条，还用 ANN 吗？（直接暴力精确检索更快）
踩坑：答「永远先过滤」或「永远先 ANN」。
TB 级 ETL 变慢，你怎么定位？
顺序：①看 Spark UI 的 stage 耗时，找最慢 stage；②看 task 耗时分布判断倾斜（个别 task 远超中位数）；③看 shuffle 读写量与 spill；④看小文件数与分区数；⑤最后才怀疑算子写法。解法：加盐、repartition、合并小文件、列存 + 谓词下推、Kryo/Zstd。
追问：倾斜加盐后又慢了呢？（盐粒度过细导致任务数爆炸，要调粒度）
踩坑：一上来就调 executor 内存。
场景挖掘与标注
场景库怎么建？
四要素定义场景（静态环境+动态要素+任务+环境条件），按片段/事件/实例三级粒度管理，每个场景有标签、难度、ODD 归属、频次、关联标注与测试用例；一鱼三吃：训练样本、回归用例、仿真种子。
追问：场景过期了怎么办？（定期复核、标记失效、重采）
踩坑：只做标签列表，不做实例化。
难例挖掘有哪些方法？
五路：失败事件（接管/AEB/碰撞）、模型指标（低置信/高损失/不确定度）、一致性（时序抖动、传感器冲突、新旧模型分歧）、规则（近距离 cut-in、异形目标）、人工/UGC 反馈。挖完要去重、聚类、验证效果。
追问：挖出来就一定有用吗？（要 A/B 验证是否真的提升）
踩坑：只讲主动学习一种。
自动标注怎么保证质量？
三件事：教师模型用「离线特权」（更大模型+未来帧+多传感器融合）；输出做置信度过滤与一致性校验；保留人工抽检与黄金集做校准。自动标注率要按「采纳率」算，不是「产出率」。
追问：教师模型的确认偏误怎么破？（人工锚点、定期换教师、主动补盲区）
踩坑：把「跑通模型」当成「自动标注上线」。
标注规范怎么写？
可执行判定规则 + 正反例截图 + 争议样本定论；规范版本化并与数据集版本绑定；定期用争议样本回炉修订。规范不清是质量波动的第一原因。
追问：规范改了，历史数据怎么办？（批量回填重打标）
踩坑：写成一堆抽象原则。
标注质量怎么评估？
四道关：培训考核、按比例抽检（算准确率、漏标率）、黄金集（固定标准答案测漂移）、争议仲裁（专家定论并回写规范）。漏标率比错标率更难测，也更伤模型。
追问：黄金集怎么防「被记住」？（定期换、控制样本量、不公开）
踩坑：只说「抽检 10%」。
数据配比怎么定？
基底用真实分布、长尾按稀缺度过采样（权重∝稀缺度^α）、新开城/新车型加权、旧场景保持回放防遗忘。配比要版本化并做消融，否则涨点无法归因。
追问：α 怎么调？（看长尾指标与整体指标的双目标，帕累托选点）
踩坑：拍脑袋定比例。
主动学习怎么避免「只挖难例导致简单场景退化」？
三个手段：①采样时保留随机基线，按比例混入无偏样本；②采样策略用「不确定性 × 多样性」，避免扎堆噪声；③每次迭代跑「简单场景回归集」，退化就回滚配比。核心是把「挖掘」当成有偏采样来管理，而不是无限捞难例。
追问：怎么量化偏移？（挖掘集与随机集的分布距离、类别覆盖率对比）
踩坑：只讲不确定性采样，不提偏差控制。
模型训练
训练时 GPU 喂不饱怎么办？
先查数据管道：解码、增广、shuffle 是否在 CPU 打满；再上「预解码 shard（WebDataset/LMDB）+ 多进程预取 + 本地 NVMe 缓存 + GPU 增广」。GPU 利用率低于 70% 先别换模型。
追问：shard 大小怎么定？（匹配并行度，兼顾 IO 碎片与负载均衡）
踩坑：第一反应加卡。
端到端和传统方案最大不同是什么？
模块化是「感知→预测→规划」显式接口、误差可分层归因；端到端直接从传感器到轨迹，信息不丢但不可解释、数据需求大、开环评测会骗人，必须靠闭环仿真与影子对比兜底。
追问：那怎么定位一次端到端的失败？（切片回放 + 中间监督 + 反事实仿真）
踩坑：只说「端到端更先进」。
蒸馏在闭环里起什么作用？
三个用途：云端大模型教车端小模型（部署）、教师模型生成伪标签（自动标注）、把多模型集成压成单模型（降本）。教师质量决定上限，教师有偏学生会继承。
追问：伪标签噪声怎么处理？（置信度过滤、一致性校验、人工锚点）
踩坑：把蒸馏只当压缩工具。
仿真与评测
开环评测有什么局限？
因果混淆：模型输出错了，历史仍按人类轨迹走，误差不累积、交互不发生。对规划尤其失真——「不敢动」的模型开环可能很好。所以开环只用于快速否定，闭环才用于肯定。
追问：怎么缓解？（自车历史条件化、闭环仿真、影子对比）
踩坑：拿开环指标证明安全。
怎么证明仿真可信？
同一批场景做「仿真 vs 实车」双跑，比对通过率、失败集合重叠度、排序一致性；差距大的模块（传感器仿真）要标定；实车发现的新失败模式要回灌场景库。没有对齐证据，仿真只能做筛选。
追问：对齐后仍有 gap 怎么办？（按 gap 加权、只信相对排序）
踩坑：认为「渲染真=仿真可信」。
闭环仿真怎么搭？
四件套：场景描述（可参数化）+ 交通流（会对自车反应）+ 车辆动力学 + 评测器。难点是「背景车要交互」，回放式仿真做不到；还要控制吞吐（百万级场景）与结果判读（自动分类失败原因）。
追问：回放和交互式各用在哪？（回归用回放，博弈用交互）
踩坑：把回放当闭环。
回归门禁怎么设？
分层：冒烟（分钟级，核心场景）→ 核心（小时级，分场景簇）→ 全量（天级）。阈值区分噪声与真实退化，失败要定位到「哪个簇退化」，并允许「已知问题白名单」但需登记。
追问：门禁总误报怎么办？（提高样本量、分桶阈值、趋势判定）
踩坑：一条总分卡死。
线上 A/B 怎么做？
车队分组、同版本基线、指标分层（接管/舒适/效率）、统计显著性、分层或配对校正（两组跑的路不同）。灰度限制爆炸半径，异常自动熔断回滚。
追问：样本量不够怎么办？（延长周期、配对同路段、用仿真补充）
踩坑：拿一天数据下结论。
MPI 这个指标有什么问题？
三个问题：接管定义不统一（安全员主观）、非系统原因混入（需剥离）、样本量小导致置信区间宽。报告必须带判定标准与置信区间；封闭场景更适合「每万吨公里事故率」这类业务指标。
追问：怎么降低主观性？（责任接管判定流程 + 复核）
踩坑：把 MPI 当安全证明。
部署与回流
影子模式是怎么实现的？
车端并行跑候选模型但不控车，与在用策略/人类驾驶做输出比对（轨迹距离、检测一致性、置信度），差异超阈值触发录制回传；云端聚合、归因、聚类、排序，产出待修复清单。关键约束是算力隔离与回传量控制。
追问：阈值怎么定？合理差异怎么排除？
踩坑：以为影子模式就是「录视频」。
影子模式和事件触发有什么区别？
事件触发只能发现「已暴露的问题」（接管、急刹、AEB）；影子模式能发现「模型错了但系统没出事」的隐性 bad case——因为它在没有事件发生的平常路段也能比对出差异。两者互补：事件触发保底，影子扩面。
追问：影子会不会误报太多？怎么控？
踩坑：把二者混为一谈。
训练和部署不一致怎么排查？
拿同一帧原始数据，分别喂训练管线与车端管线，逐层比对输出：预处理（resize/归一化/颜色空间）、标定、坐标系、后处理（NMS/阈值）、量化。最常见是 BGR/RGB、插值、均值方差版本不一致。
追问：怎么防止复发？（自动化一致性测试进 CI）
踩坑：直接怀疑模型。
线上掉点怎么排查？
顺序：①确认范围（车型/区域/版本/时间）；②对比新旧版本同场景；③查数据分布漂移；④查前后处理与标定；⑤查量化与算子；⑥最后才怀疑场景本身变了（施工/改路）。
追问：为什么先查环境？（很多「掉点」是路况变了）
踩坑：一上来就重训。
OTA 怎么保证安全？
A/B 分区保留上一版、签名校验、升级条件（驻车/电量/网络）、断点续传与断电保护、灰度分批、失败自动回退、成功率与回滚率看板。模型包与整车包解耦，可独立高频更新。
追问：升级中断电怎么办？（分区原子切换 + 看门狗）
踩坑：只讲差分升级。
组织与工具链
闭环 ROI 怎么算？
投入：采集/存储/标注/算力/人力；产出：路测里程节省、标注人力减少、版本周期缩短带来的收入。算法：省下的车日×单价 + 人天×单价 + 提前上线收益；再看边际收益（第 10 万帧 vs 第 100 万帧）。
追问：老板只批一半预算，你砍哪块？（先砍重复采集与低利用率存储）
踩坑：只讲技术价值。
闭环团队怎么分工？
平台（采集/存储/检索）、标注平台与运营、训练平台、仿真评测、车端部署与工具链、算法消费方；关键是要有「闭环 owner」对最终上车效果负责，否则 KPI 割裂。
追问：小团队怎么兼？（平台+算法双人组，数据质量专人）
踩坑：只按技术栈分工。
讲讲你做过的最有闭环感的项目
STAR 压缩版：一句话背景与规模 → 你负责环节的难点 → 一个关键取舍（为什么这么设计）→ 量化结果（周期/成本/指标）→ 一个失败与改进。70% 时间给「决策」，不是「我参与了」。
追问：如果重做一次，你会改什么？
踩坑：平铺直叙讲流程。
系统架构
千亿级数据检索怎么设计？
元数据入 StarRocks（分区分桶 + 物化视图 + bitmap 索引）做标签组合与聚合；向量库做「像不像」；文件走 OSS/HBase。查询链路是「结构化先过滤 → 向量再排序 → 缩略图人工确认」。
追问：为什么不用 ES 全扛？（聚合与多表关联弱，写入放大）
踩坑：只讲一个组件。
StarRocks 和 ES 怎么选？
ES 强在全文检索与日志，弱在大规模聚合与 join；StarRocks 是 MPP 列存，强在「多维度组合筛选 + 聚合统计」，适合标签圈选。实践中两者并存：ES 查日志与文本，StarRocks 查结构化标签。
追问：资源怎么估？（并发 × 单查询扫描量 → 核数；100 QPS 中等查询约数百核）
踩坑：唯组件论。
解析任务积压怎么治理？
先分层优先级（事故>影子>定向>常规），再限流与公平调度防大包饿死小包，然后扩消费并发/分片，最后补监控（p99 lag、积压量、死信）。根因常是「下游写入慢」而不是解析本身。
追问：怎么保证事故片段不被普通数据插队？
踩坑：只会加机器。
样本中心怎么设计？
分两层：基础文件（TV/PCD/GPS/autolabel/manual_label）+ 样本（基础文件的组合，粒度 2D/3D/video/clip）。样本种类限定「有限组合」防止存储与索引爆炸；样本工厂按批次生产、配比、冻结版本、导出训练。
追问：为什么要「有限组合」？（无限组合导致存储、索引、血缘不可控）
踩坑：把样本中心做成「文件服务器」。
算子
数据闭环里说的「算子」到底指什么？
两种：数据侧的加工单元（解析/解码/对齐/脱敏/质检/打标/切片/打包，要求幂等可重放），模型侧的计算图节点（Conv/NMS/GridSample/Scatter，要求车端覆盖与精度对齐）。两者在自动标注处交汇。
追问：数据算子最关键的性质是什么？（幂等 + 可重放，否则不可复现）
踩坑：只答一种，或者只说 CUDA kernel。
车端算子不支持怎么办？
三条路：自定义算子（TensorRT plugin/厂商库）、等价算子组合重写、fallback 到 CPU。按「使用频次 × 耗时占比」选，fallback 必须告警，否则会静默掉帧。
追问：怎么提前发现？（上线前做算子扫描：解析计算图匹配支持表）
踩坑：等到部署阶段才查支持矩阵。
怎么保证训练和车端算子精度一致？
同一份输入分别跑两个引擎，逐层 dump 输出，算相对误差与余弦相似度，定位第一个显著偏离的算子；量化误差要在关键层设预算；把对齐门禁写进 CI，换引擎/换芯片都重跑。
追问：常见元凶有哪些？（浮点累加顺序、算子融合、插值实现、padding 方式）
踩坑：只看最终指标，不做逐层比对。
算子是脚本吗？怎么部署？
逻辑上不等于脚本：算子是「接口契约 + 版本 + 实现」，脚本只是实现之一，也可以是容器镜像、常驻服务、Spark/Flink 作业。部署三种形态：一 Pod 一算子（隔离好、启动开销大）、一 Pod 多算子（省数据搬运、依赖耦合）、常驻服务（无冷启动、模型常驻）。真实系统按资源画像混合。
追问：怎么判断合并还是拆开？（计算时长 vs 启动+拉数据开销、GPU 独占、依赖冲突）
踩坑：一容器跑全流程，或者每个小算子都起一个 Pod。
按知识点看 →