面试时间：下周一 14:00 ｜ 地点：上海浦东金海园（线下面试） 岗位方向：AI 底盘控制系统（机电、PCB硬件、AI、底软） 候选人：determine（成都理工·人工智能本科 / 上交·机械硕士在读） ⚠️ 公司具体信息请用企查查/天眼查核实后再引用

科驾技术 · AI底盘控制系统实习生 —— 岗位匹配分析

面试信息

1. 时间：下周一 14:00（线下面试）
2. 地点：上海浦东金海园（提前查好具体门牌/地铁/停车，建议提前 30 分钟到）
3. 方向：AI 底盘控制系统（关键词：机电、PCB硬件、AI、底软）

一、核心能力要求拆解（按岗位关键词）

1. 机电 / 硬件方向（对应"机电、PCB硬件"）

1. 电机种类与驱动（直流有刷/无刷 BLDC/PMSM、步进）及驱动电路（H桥/MOSFET）
2. 传感器原理与信号处理（编码器、霍尔、电流采样、轮速、转角、IMU）
3. 原理图 / PCB 设计（电源完整性、信号完整性、布局布线、EMC/抗干扰）
4. 嵌入式 C 语言开发（单片机裸机 / RTOS）
5. 焊接、调试、硬件排障能力

2. AI 算法方向（对应"AI"）

1. 强化学习在运动控制中的应用（PPO/SAC、奖励设计、安全约束）
2. 状态估计与传感器融合（卡尔曼滤波、车辆动力学模型）
3. 轨迹跟踪 / 运动控制算法（PID、纯跟踪、Stanley、MPC）
4. 模型轻量化与边缘部署（TensorRT/量化/端侧推理）
5. 数据：从仿真到实车的迁移（sim-to-real）、数据集构建

3. 底层软件方向（对应"底软"）

1. 实时系统与 RTOS（FreeRTOS/RT-Thread，任务调度、优先级、互斥）
2. 车载通信协议（CAN/CAN FD/LIN/以太网）
3. 域控制器软件架构（AUTOSAR CP/AP 概念）
4. 驱动开发（外设驱动：GPIO/ADC/PWM/UART/SPI/I2C、中断）
5. 功能安全（ISO 26262 / ASIL 等级概念）

二、你的简历匹配度（逐条对照）

核心卖点（一句话）：你拥有"从 PCB 焊接 → 单片机 C → 控制算法 → RL 训练 → 边缘部署"的全链路交叉背景，这正是"AI 底盘控制系统"最需要的 T 型人才画像——AI 算法落地的另一端必须有人懂硬件和底软，而你是少数两边都摸过的人。

三、知识短板与速补清单（按优先级）

P0（必补，面试大概率问）

1. CAN/CAN FD 总线：基本概念、帧结构、仲裁、波特率（汽车最核心的通信，底盘必用）
2. PID 与电机控制：位置式/增量式 PID、整定方法；PWM 调速原理（你做过，但要把原理讲透）
3. 强化学习做底盘控制的现状：为什么 RL 在底盘控制上还没完全取代 MPC？安全怎么保证？（你的安全投影层是加分回答）
4. 车辆运动学/动力学基础：自行车模型、阿克曼转向、横摆角速度、质心侧偏角（讲一句"我了解自行车模型用于轨迹跟踪"即可）

P1（知道概念就能答）

1. AUTOSAR（CP/AP）是什么
2. ISO 26262 / ASIL 是什么
3. RTOS 调度与裸机区别（FreeRTOS/RT-Thread）
4. 卡尔曼滤波一句话原理 + 融合场景

P2（加分项，时间够再看）

1. 线控底盘（SBW 线控转向 / EHB/EMB 线控制动）概念
2. MPC 基本思想（预测+滚动优化+约束）
3. 纯跟踪 / Stanley 轨迹跟踪

四、从现在到周一的准备计划（按天）

D-2（今天，约 4 小时）

1. 背 1 分钟"我对 AI 底盘控制系统的理解"陈述（见 03 文件）
2. 深挖小车项目：能讲透 PCB/电源/传感器/控制四个维度（见 04 文件）
3. 速补 P0 四项：CAN、PID、RL 做底盘、自行车模型
4. 用企查查/天眼查/脉脉核实科驾技术：全称、融资、产品线、新闻（搜"科驾技术 底盘"）

D-1（明天，约 4 小时）

1. 过 25 道技术题（02 文件），每题口述一遍，卡壳的标记重看
2. 准备行为面试 6 题（05 文件）+ 反问 5 题（06 文件）
3. 准备纸质简历 2 份 + 作品（小车照片/PCB 图/项目文档，能打印最好）
4. 规划路线：金海园地址、地铁口、出发时间

当天（周一上午）

1. 复读 00 速查要点 + 1 分钟陈述
2. 提前 30 分钟到，着装整洁（建议衬衫/商务休闲，工程师岗位不用西装）
3. 带：身份证、简历、纸笔、作品材料

科驾技术 · 技术面试 25 题（含参考答案要点 + 你的项目举例）

标注规则：【必背】= 大概率考且你要能展开；【概念】= 说出定义和要点即可；【项目】= 用你的经历举例支撑。

一、机电 / 硬件方向（8 题）

1. PWM 调速的原理是什么？占空比对电机转速和转矩的影响？【必背】【项目：小车】

1. PWM（脉宽调制）：以固定频率的方波，通过改变占空比 D 调节输出电压平均值 V_avg = D·Vcc
2. 电机是惯性+电感负载，对高频 PWM 起"低通滤波"作用，等效于施加平均电压 → 转速近似与占空比成正比
3. 注意点：频率太低会抖动/啸叫，太高开关损耗大（常用 10-20kHz，避开人耳频段）
4. 你的项目：小车上用 STC32 定时器产生 PWM 输出到 TB6612/L298N 驱动直流电机，左右轮差速实现转向——循迹时根据传感器偏差动态调两侧占空比

2. 直流电机驱动电路怎么设计？什么是 H 桥？【必背】【项目：小车】

1. H 桥：4 个开关管（MOSFET）组成"日"字结构，对角导通改变电机电流方向 → 正反转
2. 不能同侧同时导通（直通短路），需死区时间；加续流二极管/MOSFET 体二极管吸收感性反电动势
3. 常用驱动芯片：TB6612（MOSFET H桥，效率高）、L298N（三极管，压降大发热大）
4. 调速=其中一臂给 PWM，方向=另一对开关状态

3. 红外循迹传感器的工作原理？为什么黑线处输出和高/低电平翻转？【必背】【项目：小车】

1. 反射式光电对管（如 TCRT5000）：红外发射管+接收管同侧
2. 黑线（深色）吸收红外光 → 接收管接收弱 → 输出电平翻转；白底反射强
3. 多路（2/3/5 路）排布，根据哪几路压线判断车相对线的横向偏差
4. 阈值比较/ADC 读取；注意环境光干扰 → 用调制频率或调阈值
5. 你的项目：多轮实地测试中解决过"传感器干扰、路径偏离"——这是很好的追问素材，准备 1 个具体案例

4. 超声波测距原理？误差来源？【必背】【项目：小车】

1. 发射 40kHz 超声波 → 接收回波，距离 = t×340/2（声速 340m/s，除以 2 是往返）
2. 典型模块 HC-SR04：TRIG 触发，ECHO 高电平持续时间=往返时间
3. 误差来源：声速随温度变化（约 0.6m/s 每 ℃）、多径反射/串扰、测量盲区、波束角
4. 你的项目：超声波避障阈值触发转向；与红外循迹的优先级逻辑（避障优先于循迹）

5. PID 控制的原理？位置式和增量式区别？怎么整定参数？【必背】【项目：小车/无人机】

1. P（比例，对当前误差反应）、I（积分，消除稳态误差，但过大引起超调振荡）、D（微分，预测误差趋势，抑制超调，但放大噪声）
2. 位置式：u = Kp·e + Ki·Σe + Kd·Δe；增量式：Δu = Kp(e-e₁) + Ki·e + Kd(e-2e₁+e₂)，只输出增量，无积分饱和问题
3. 整定：先 P 后 I 再 D（或 Ziegler-Nichols 临界比例度法）；从仿真/实车试凑
4. 你的项目：小车循迹用了类 PID 的偏差-差速控制；无人机训练中 PPO 的策略输出本质也在做"状态→控制量"映射——可以和 RL 对比着讲

6. 电源设计要点？PCB 电源线宽怎么定？去耦电容怎么放？【必背】【项目：小车】

1. 线宽按载流能力选（1oz 铜厚约 1A 需要 1mm 线宽的经验值，或查 IPC-2221 公式）
2. 电源完整性：大电流回路短粗、星型/单点接地、电源与地平面相邻（小两层板用覆铜）
3. 去耦电容：每个 IC 电源脚就近放 0.1μF，大电流器件加 10~100μF 储能电容；离 IC 越近越好
4. 电机 PWM 是强噪声源：驱动电路与 MCU/传感器分区布局、地线隔离（或磁珠/π 滤波）
5. 你的项目：你简历写了"优化电源线宽与信号完整性"——准备说具体怎么做的（例：电机电流计算线宽、MCU 电源去耦、传感器信号 RC 滤波/上拉）

7. 嵌入式开发中"中断"的作用？中断服务程序要注意什么？【概念】

1. 中断让 MCU 实时响应外部事件（超声波回波捕获、编码器计数、ADC 转换完成）
2. ISR 要求：短（只做标记/取数据，重活放主循环）、无阻塞、注意共享变量保护（关中断/原子操作/volatile）、避免在 ISR 中调用不可重入函数

8. 怎么排查一个"上电不工作"的硬件问题？【开放】【项目：小车】

1. 思路：电源→时钟→复位→外设，逐级排除；用万用表测电压、示波器看晶振/信号、检查虚焊/短路、对比原理图
2. 你的项目：小车独立焊接调试，肯定有真实排障案例，准备 1 个（如某传感器输出恒高→查上拉/接线/坏管）

二、AI 算法方向（8 题）

9. 强化学习的基本框架？PPO 和 SAC 的核心区别？【必背】【项目：无人机】

1. 框架：Agent 与环境交互（状态 s、动作 a、奖励 r），学策略 π(a|s) 最大化累计回报
2. PPO：on-policy，重要性采样+clip 限制更新步长，稳定、调参简单、收敛平稳
3. SAC：off-policy + 最大熵（奖励+熵正则），探索强、数据利用率高，但收敛波动大、超参多
4. 你的项目：SAC 在密集动态障碍下成功率比 PPO 高 8%，PPO 收敛更平稳——能展开原因（熵正则探索、off-policy 复用数据 vs on-policy 稳定）

10. 强化学习里奖励函数怎么设计？稀疏奖励问题怎么解决？【必背】【项目：无人机/Step-RL】

1. 奖励要"引导而非教条"：稀疏奖励（只在成功/碰撞给 ±1）难学；稠密奖励（每一步给反馈）好学但容易走捷径/局部最优
2. 解法：奖励塑形（reward shaping，如距离变化量）、分层、课程学习、稠密化（你 Step-RL 的 Progress Estimator 就是把终局奖励拆成稠密进度分——这是你的独门案例）
3. 你的项目：无人机避障奖励（到达+、碰撞-、时间惩罚）；Step-RL 稠密进度奖励

11. 强化学习在底盘控制上能做什么？为什么还没完全取代 MPC？【必背】【核心岗位题】

1. 能做的：轨迹跟踪（学习型 MPC 的代价函数/参数）、路面附着估计、稳定性控制（ESC 策略）、智能悬架阻尼、能耗优化、线控执行器故障诊断
2. 没完全取代的原因：
3. 安全可验证性：RL 策略难以形式化保证安全性；MPC 有约束数学保证
4. sim-to-real gap：仿真动力学与真实车辆有差距
5. 样本效率：实车试错代价极高
6. 法规/功能安全（ISO 26262）对"学习型"软件认证难
7. 现实路线：安全 RL（约束/投影层）、learning-based MPC（MPC 框架 + 学习预测模型/参数）、RL 做决策层/上层 + 传统控制做执行层兜底
8. 你的项目：安全投影层正是"RL+安全约束"的实践——和底盘控制的需求完美呼应，必讲！

12. 什么是卡尔曼滤波？在车辆状态估计中用来做什么？【概念】

1. 两步：预测（用模型先验外推状态和协方差）→ 更新（用观测校正，按不确定度加权融合）
2. 用途：融合 IMU/轮速/GPS/转角，估计车速、横摆角速度、质心侧偏角（这些量不能直接可靠测得）
3. 变体：扩展卡尔曼 EKF（非线性）、无迹 UKF、卡尔曼平滑
4. 你的背景：硕士课程含"最优估计与卡尔曼滤波""现代导航算法与传感器融合"，主动提！

13. 轨迹跟踪控制有哪些方法？各自特点？【必背】【概念+项目】

1. PID：简单，但对曲率变化适应差
2. 纯跟踪（Pure Pursuit）：前视距离选目标点算圆弧曲率，实现简单，高速/大前视更稳
3. Stanley：基于前轮转角+横向偏差+航向偏差，更精准
4. MPC：预测模型+滚动优化+硬约束，效果好但算力要求高、需精确模型
5. RL 跟踪：无模型，但安全验证难
6. 组合趋势：MPC 为主干 + 学习模块
7. 你的项目：小车循迹是"低速纯跟踪/差速 PID"的雏形；无人机是更高自由度的三维轨迹跟踪

14. 模型怎么部署到边缘设备？量化/蒸馏你做过哪些？【必背】【项目：Jetson/YOLO】

1. 流程：训练（PyTorch）→ 导出（ONNX）→ 转换/优化（TensorRT）→ 量化（FP16/INT8）→ 推理引擎部署
2. 量化：FP16（动态范围大）、INT8（需校准集，可能掉点）；蒸馏：大模型教师→小模型学生（KL 散度+交叉熵）
3. 你的项目：BERT 110M→18M 蒸馏，Jetson AGX Orin + TensorRT FP16：延迟-95.6%、显存-75%、吞吐+229%、精度损失~1.8%；YOLOv8n 6.2MB + INT8，CPU 25ms/帧——这两个是硬核证据，底盘域控上跑 AI 推理正需要这套能力

15. 从仿真到实车（sim-to-real）的主要问题？怎么缓解？【概念】【项目：无人机】

1. 问题：动力学建模误差、传感器噪声/延迟不同、执行器响应差异 → 策略在真实环境失效
2. 缓解：域随机化（randomize 参数训练鲁棒策略）、系统辨识校准、仿真+真机混合训练、课程学习
3. 你的项目：无人机仿真环境（gym-pybullet-drones）到真实部署的差距——诚实说"我的项目停留在仿真，但我在设计实验时考虑了真实动力学参数校准"；同时小车项目是真机（低速、简化版），两段经历互补

16. 端到端学习 vs 模块化控制在底盘上的取舍？【概念】

1. 端到端：传感器→控制指令，信息无损、联合优化，但难解释、难验证、数据需求大
2. 模块化：感知→状态估计→决策→控制，可解释可调试，是汽车行业（安全认证）的主流
3. 底盘场景现实答案：分层——上层 AI（路面/意图/优化决策）+ 下层确定性控制（执行/兜底），安全由下层保证

三、底层软件方向（5 题）

17. 什么是实时系统？RTOS 和裸机有什么区别？【必背】

1. 实时 ≠ 快，而是确定性/可预期（deadline 保证）：硬实时（控制回路）vs 软实时
2. RTOS：任务+优先级+抢占式调度、信号量/互斥量/消息队列、定时器、看门狗
3. 裸机：超循环（main loop+中断），简单但实时性靠人工保证
4. 底盘控制是硬实时场景（如 1-10ms 控制周期），必须 RTOS 或高优先级中断
5. 常见：FreeRTOS、RT-Thread（国产）、AUTOSAR OS

18. CAN 总线是什么？为什么汽车用它？CAN FD 改进在哪？【必背】【短板速补】

1. CAN：多主、差分双绞线（抗干扰）、报文仲裁（ID 越小优先级越高）、短帧（经典 8 字节）、错误检测（CRC/位填充）
2. 为什么汽车用：抗电磁干扰（差分管脚）、可靠性（错误重发）、实时性（仲裁机制）、布线少
3. CAN FD：数据场最多 64 字节、波特率可切换更高，适配更多数据（底盘域控日志/诊断）
4. 你至少要能说：底盘系统里转向/制动/轮速都走 CAN 总线，域控通过 CAN 收发器收发报文

19. 什么是 AUTOSAR？CP 和 AP 的区别？【概念】

1. AUTOSAR：汽车软件开放架构标准，解决软硬件解耦、可复用、可升级
2. CP（Classic）：面向 MCU，静态配置，OSEK/实时、功能安全成熟 → 底盘/动力等传统控制
3. AP（Adaptive）：面向高性能 SoC（域控/中央计算），动态、POSIX、服务化 → AI/自动驾驶
4. 说一句即可："底盘域控制器常是 CP（执行层）+ 域控 SoC 上 AP（AI 应用层）的组合"

20. ISO 26262 功能安全是什么？ASIL 等级怎么理解？【概念】

1. ISO 26262：汽车电子功能安全标准，全生命周期（需求→设计→验证）管控系统性失效和随机硬件失效
2. ASIL A-D 分级：风险越高等级越高；底盘/转向制动相关最高（ASIL D）
3. 对 AI 的影响：学习型算法的认证是行业难题 → 常见做法是"AI 决策+确定性安全层兜底"（呼应你的安全投影层）

21. 驱动开发中 SPI/I2C/UART 的区别和典型用途？【概念】

1. UART：异步、点对点，调试打印/传感器
2. I2C：同步、双线（SCL/SDA）、多设备寻址，低速传感器（温湿度、IMU 部分）
3. SPI：同步、4 线（MOSI/MISO/SCLK/CS）、高速、片选选设备，高速传感器/Flash/ADC
4. 底盘相关：IMU/轮速传感器常用 SPI 或 CAN；MCU 与驱动芯片常 SPI

四、综合 / 开放题（4 题）

22. 你理解的"AI 底盘控制系统"是什么？【必背】【开场陈述题】

用 03 文件的 1 分钟陈述。核心：底盘=车辆的"执行层"（转向/制动/驱动/悬架），AI 底盘 = 在底盘域控制器上用 AI 做状态估计、控制优化、路面适应、故障诊断，让底盘"感知路面、预测风险、主动调节"，本质是让传统底盘从"机械执行"升级为"智能决策的执行器官"。

23. 你怎么验证一个 AI 控制算法的安全性？【必背】【项目：安全投影层】

1. 三层：①仿真大规模验证（覆盖 corner case/边界工况）②硬件在环 HIL（真实 ECU+虚拟车辆）③实车受限场景逐步放开
2. 设计层：约束动作空间（安全投影/安全集）、规则兜底、监控层（异常检测→降级/安全停车）
3. 你的项目：安全投影层 a_safe = Proj(a_raw) ∈ C 就是"设计层约束"的例子；Step-RL 的 Grounding Signal 是"执行校验"的例子

24. 你的小车项目如果迁移到真实汽车底盘，你会怎么做？【必背】【项目：小车】

1. 分层回答：
2. 硬件：传感器升级（轮速编码器+转角传感器+IMU，走 CAN 总线），执行器从直流电机→线控转向/制动执行器
3. 控制：从"红外偏差→差速 PID"升级为"车辆动力学模型（自行车模型）+ 状态估计（卡尔曼融合）+ MPC 轨迹跟踪"
4. AI：加路面附着估计（学习模型）、RL 安全策略（安全投影层，与无人机经验复用）
5. 软件：裸机循环 → RTOS/AUTOSAR 架构、硬实时控制周期、功能安全（ISO 26262）、诊断（UDS）
6. 验证：仿真→HIL→实车逐级验证
7. 这个回答展示"我能从小玩具看到大系统"，是面试官最想听的工程思维

25. 你还有什么想展示的？（自由发挥题）

主动展示：①小车实物/照片/PCB 图（硬件能力）②无人机开源代码与实验曲线（研究能力）③Jetson 部署 demo（底软能力）④跨学科认知（AI+机械的桥梁）。面试官问这个说明对你有兴趣，别只说"没有了"。

科驾技术 · AI 底盘控制系统行业认知

⚠️ 说明：本环境无法联网搜索。以下内容基于行业公开知识整理，公司具体信息（科驾技术的全称、产品、融资）务必用企查查/天眼查/脉脉/官网在面试前核实。

一、AI 底盘控制系统是什么？（约 500 字行业背景）

底盘是车辆的运动执行平台，传统上由转向、制动、驱动、悬架四大部分组成，靠机械/液压/气动传递控制指令。AI 底盘控制系统是把底盘"智能化+线控化"：以**底盘域控制器（CDC, Chassis Domain Controller）**为核心，用电子信号（线控）替代机械连接，并引入 AI 算法做状态估计、控制优化、路面自适应与故障诊断。

核心模块拆解：

1. 感知/状态估计层：轮速、转角、IMU、悬架高度、制动压力等传感器；卡尔曼滤波融合估计车速、横摆角速度、质心侧偏角、路面附着系数
2. 决策/控制层：轨迹跟踪（纯跟踪/MPC）、稳定性控制（ESC/ESP）、防抱死（ABS）、驱动防滑（TCS）、主动悬架阻尼控制、自动紧急制动（AEB 执行侧）
3. 执行层（线控）：线控转向 SBW、线控制动 EHB/EMB、线控驱动、主动/半主动悬架
4. AI 注入点：路面附着估计（学习模型）、学习型 MPC（learning-based MPC）、RL 做稳定性/能耗优化策略、异常/故障诊断、个性化驾驶风格适配、预测性底盘控制（结合地图/视觉预瞄路面）
5. 底软/通信：域控 SoC（如英伟达 Orin/地平线征程）上跑 AI 推理 + MCU 上跑硬实时控制（FreeRTOS/AUTOSAR），CAN/CAN FD/以太网 TSN 互联

主流技术路线：

1. 电子电气架构从分布式 → 域集中式（底盘域控/中央计算+区域控制器）
2. 线控底盘成为 L3+ 自动驾驶"执行层"的必选项（响应快、可冗余）
3. 控制层面：分层安全架构成为共识——上层 AI 优化决策 + 下层确定性控制兜底（传统控制保证功能安全，AI 负责"更聪明"）
4. 学术界/业界热点：安全强化学习、learning-based MPC、世界模型预测路面、sim-to-real

二、科驾技术的业务方向（推断 + 核实指引）

无法联网核实，以下为基于岗位描述的合理推断：

1. "AI 底盘控制系统 + 浦东" 的组合，大概率是线控底盘/智能底盘方向的创业公司或新事业部（浦东是上海智能汽车产业聚集区）
2. 岗位要求机电+PCB+AI+底软交叉，说明是从硬件到算法全栈自研的小团队形态——这正是你"全链路交叉背景"值钱的地方
3. 可能的产品形态：底盘域控制器硬件、线控执行器、底盘运动控制算法、面向 OEM 的底盘解决方案

面试前必做核实（30 分钟）：

1. 企查查/天眼查搜"科驾"（上海浦东），确认全称、成立时间、融资轮次、注册资本
2. 搜"科驾技术 底盘/线控/招聘"，看产品介绍和岗位要求原文
3. 脉脉/看准搜公司评价和面经
4. 若查到官网/公众号，看最近 3 条动态（产品发布、合作、专利）

面试时主动说"我了解到贵司在 XX 方向……"——信息核实过就是加分项，信息错了会扣分，所以没核实清楚就别具体说，用"我了解到贵司聚焦智能底盘方向"这种安全表述。

三、1 分钟陈述："我对 AI 底盘控制系统的理解"（面试开场用，背熟）

面试官您好，我先说说我对这个方向的理解。底盘是车辆的"执行层"，传统底盘靠机械和液压传递指令，它的性能决定了车辆安全性和操控性的下限。我认为 AI 底盘控制系统要做两件事：

第一，线控化与域集中——用底盘域控制器和电子信号替代机械连接，让转向、制动、驱动、悬架可以统一调度，这是 L3+ 自动驾驶对执行层响应速度和安全冗余的必然要求。

第二，用 AI 让底盘"聪明"起来——AI 不取代传统控制，而是补充传统控制做不到的事：估计路面附着、预测性地调节悬架和制动、根据驾驶员风格优化底盘响应、诊断执行器早期故障。业界的主流共识是分层架构：AI 做上层的优化与决策，底层用确定性控制保证安全。

我自己的经历正好横跨这两端：我做过 PCB 和单片机级别的硬件开发，也做过强化学习控制算法和边缘端 AI 部署。所以这个方向对我来说不是"转行"，而是把 AI 和机械两条线在同一个产品上合起来。谢谢。

要点提示：陈述里没有编造任何科驾的具体产品（安全）；核心逻辑=线控化+AI 注入+分层安全；结尾用你的跨学科背景收。面试官追问"那你具体能做什么"→ 切到小车/无人机/Jetson 项目。

四、面试中能用的"行业谈资"（3 句）

1. "现在行业共识是分层安全架构：AI 负责聪明、传统控制负责安全，这也和我在无人机项目里用安全投影层约束动作空间的思路一致。"
2. "我理解底盘域控是'MCU 硬实时控制 + SoC 上 AI 推理'的组合架构，CAN FD 和 TSN 是通信主干——这也是我为什么补了 Jetson 部署的实践。"
3. "learning-based MPC 是我特别关注的方向：MPC 的约束保证安全，学习模块负责处理模型误差和复杂路面，正好把 RL 和传统控制的长处合起来。"

科驾技术 · 项目深挖（小车 + 无人机）

小车项目是本场面试的王牌——它是"电机控制+传感器+PCB+嵌入式"的全链路，与 AI 底盘控制系统直接对应。每道题都按"完整答案"写好，替换【】为你的真实细节。

一、智能循迹与避障小车 —— 2 分钟项目概述

这是我 2024 年实训课程做的项目，目标是独立完成一台能自主循迹、避障的轮式移动机器人，从原理图到实物全流程。这个项目最贴近你们的业务，我详细讲一下。

任务：独立负责从原理图绘制、PCB 设计、元器件焊接到整机调试的全流程，实现黑线循迹和动态避障两项功能，保证系统稳定可靠。

硬件设计：基于 STC32G12K128 单片机，用立创EDA 完成原理图和 PCB 布局布线。设计时重点处理了两个问题：一是电源完整性——电机是最大电流负载，我按电机堵转电流核算电源线宽，把驱动供电和逻辑供电分开，并用储能电容抑制电机启停时的电压跌落；二是抗干扰——电机 PWM 是强噪声源，我把电机驱动电路和传感器、单片机分区布局，传感器信号线加滤波，避免误触发。

控制实现：C 语言编写底层驱动和逻辑。循迹用多路红外传感器采集偏差，通过 PWM 差速调节左右轮实现路径跟随；避障用超声波测距，距离低于阈值时优先进入避障状态，避障完成后再恢复循迹——我在逻辑里明确了"避障优先级高于循迹"。

调试过程：这是我收获最大的一段。实测中遇到过传感器受环境光干扰导致误判、高速循迹时路径偏离、超声波对斜面误触发等问题。我通过多轮实地测试调整传感器阈值、PID 参数和安装角度，逐个解决。

结果：小车能在复杂黑线路径稳定循迹，及时避让动态障碍物，项目获得实训满分评价。我也为它申请了软件著作权（工程制图辅助设计软件、数据库智能备份系统等，第一著作权人）。

补充弹药：如果面试官对硬件感兴趣，可补：PCB 层数/尺寸、电池方案（如 18650/3.7V×2）、电机型号（如 TT 电机）、驱动芯片型号（TB6612/L298N）、单片机资源（主频、Flash、外设）。

二、技术选型追问逐题答案

Q1：为什么选 STC32G12K128 单片机？考虑过 STM32 吗？

三个原因：第一，它是 8051 架构的 32 位增强型，指令集兼容、上手门槛低，实训周期内我能独立完成全部开发；第二，外设完整——定时器、PWM、ADC、UART、中断都够用，128KB Flash、12KB SRAM 对小项目完全充足；第三，抗干扰能力和性价比好，教学和工业都有大量资料，遇到问题能快速查证。

考虑过 STM32——它性能更强、生态更大，如果项目要跑 RTOS 或更复杂算法我会选 STM32（比如后来无人机和 Jetson 项目就完全是 ARM 生态）。但这个项目的复杂度用 STC32 正合适，也让我把更多时间花在硬件设计和控制逻辑上而不是环境配置上。这个决策本身也体现了我的原则：按项目需求选型，而不是按名气选型。

Q2：为什么用"红外循迹 + 超声波避障"的组合？有没有对比过其他方案？

按功能需求拆的：

1. 循迹：红外反射式是赛道上最成熟可靠的方案——成本低、响应快、对黑线对比度敏感。对比过摄像头视觉方案：摄像头信息量大、能处理更复杂环境，但算力要求高（当时只有单片机）、算法复杂度高、受光线影响大，对这个低速场景属于"杀鸡用牛刀"。所以最终用多路红外 + 阈值判断，简单可靠。
2. 避障：超声波的优势是测距直观、成本低、对透明/深色物体也能测（红外避障对黑色物体失效）；缺点是波束角大、有盲区。对比过红外避障——红外对黑色障碍物基本失效，所以避障选超声波，和循迹的红外正好互补。
3. 如果放到真实车辆场景，我会换成激光雷达/毫米波+视觉的融合，但"按场景选传感器、互补搭配"的思路是一样的。

Q3：原理图和 PCB 设计中遇到的最大挑战？怎么解决的？

最大的挑战是电机 PWM 对传感器信号的干扰。现象：电机启动时红外传感器偶发误判，小车循迹突然"跳线"。 排查过程：我先用示波器看传感器输出和电源轨——发现电机启动瞬间电源出现明显跌落和纹波，传感器供电不稳导致比较器误翻转。 解决措施（三个层面）：

1. 电源层：电机供电和逻辑供电分开走线，电机端加大容量储能电容（如 470μF），抑制瞬态跌落；
2. 布局层：PCB 上把电机驱动区、单片机区、传感器区分区布局，强电回路短粗，避免与信号线平行；
3. 信号层：传感器供电/输出加 RC 滤波和上拉，软件上做多次采样去抖。 最终误判问题消除。这个经历让我理解了"硬件干扰要系统性解决：电源、布局、滤波、软件去抖四管齐下"。

Q4：PWM 调速和避障策略的设计思路？

调速：用定时器产生 10-20kHz 的 PWM，占空比控制电机平均电压→转速。直行时左右轮同占空比；循迹转弯时根据红外偏差，用"偏差→差速"的控制器动态调整两侧占空比（偏差大转得急、偏差小微调），等效于一个比例控制器，我在此基础上加了微分项抑制振荡，效果更平滑。 避障策略：状态机设计——正常循迹态 →（超声波距离 < 阈值）→ 避障态：停车/转向 →（障碍消失后）→ 回到循迹态。关键设计是优先级：避障状态高于循迹，避免"边躲障碍边追线"的死锁；另外加了超时和距离回滞（hysteresis，进入阈值和退出阈值不同），防止障碍物在阈值边界时小车反复抖动。 这套"状态机 + 优先级 + 回滞"的设计思路，和真实车辆底盘里的 AEB/ESP 状态切换逻辑是同构的，我在面试中经常用它说明我对"控制逻辑工程化"的理解。

Q5：如果把这个项目迁移到真实汽车底盘，你会怎么做？

我会从五个层面回答： ① 传感器层：红外循迹换成轮速编码器、转角传感器、IMU 的组合，加卡尔曼滤波做状态估计——硕士课程里我学过最优估计和传感器融合，知道怎么把多源信息融合成可靠的车速、横摆角速度估计。 ② 执行器层：直流电机 + PWM 换成线控转向/线控制动执行器（EHB/EMB），响应要求和冗余要求完全不是一个量级。 ③ 控制层：从"偏差差速 PID"升级为车辆动力学模型（自行车模型）+ 轨迹跟踪（纯跟踪/MPC），我理解 MPC 的"预测+滚动优化+约束"框架；稳定性控制（ESC）这类任务则是典型的状态估计+反馈控制问题。 ④ AI 层：加入路面附着估计、学习型 MPC 或 RL 安全策略——这里我无人机项目里的安全投影层经验可以直接迁移：把 RL 动作约束到安全可行域，保证学习算法不会输出危险动作。 ⑤ 软件与安全层：裸机循环 → RTOS/AUTOSAR 架构，硬实时控制周期，加功能安全（ISO 26262）设计、诊断（UDS）、冗余备份；验证走"仿真→HIL→实车"逐级放行。 总结：小车的"状态机+优先级+防抖"思想可以直接复用，其余每层都要按汽车级标准升级——这也是我对这个岗位最感兴趣的地方：把一个玩具级系统做成车规级系统。

三、无人机 DRL 避障项目 —— 深挖准备（控制/RL 方向弹药）

2 分钟概述

这是我毕业设计，针对领域"对比失范、安全缺失、代码不公开"三大痛点，基于 gym-pybullet-drones 搭建统一三维动态避障仿真环境，集成 PPO 和 SAC 两种算法，设计规则化安全投影层，做 4 组对照、12 次独立训练。 核心贡献是安全投影层：把原始动作投影到安全可行域 a_safe = Proj(a_raw) ∈ C = {a | g(a) ≤ 0}，从机制上避免训练初期大量碰撞，碰撞率降低 80%——解决了"RL 训练早期疯狂撞机"的安全问题。 结果：SAC 在密集动态障碍下成功率比 PPO 高 8%，PPO 收敛更平稳。代码全部开源，为领域提供可复现基准。

高频追问

四、其他项目一句话定位（被问到时用）

1. Jetson + TensorRT 部署（110M→18M 蒸馏，延迟-95.6%）：AI 算法落到底软/边缘设备的能力证据 → "如果底盘域控上要跑 AI 推理，这套模型压缩和部署流程我熟"
2. YOLOv8 车辆检测（6.2MB，CPU 25ms/帧）：感知工程能力 → "车辆检测这类感知任务我做过完整链路"
3. Step-RL（Qwen3-8B+PPO，稠密奖励）：RL 奖励设计的高级案例 → "把稀疏奖励拆成稠密进度分，和底盘控制里奖励塑形是同一方法论"
4. 光伏预测（IEEE EI 论文）：数据/特征工程能力
5. 清华四川院实习：AI Agent 方向研究，团队协作与工程规范

科驾技术 · 行为面试 6 题（定制答案）

科驾是创业型团队的概率较大（小团队全栈自研），行为面重点考察：技术热情、动手能力、稳定性、跨学科自驱力。回答风格建议：具体、有细节、不空喊口号。

Q1：自我介绍（1-2 分钟，突出跨学科：AI + 机械）

面试官您好，我叫determine，成都理工大学人工智能专业本科，今年 9 月进入上海交通大学机械专业攻读硕士，研究方向是智能机器人系统、大语言模型智能体和强化学习决策优化。我的背景是刻意构建的"AI + 机械"交叉组合——本科把 AI 和算法的底子打好，硕士补机械、控制和机器人。

动手方面，我独立完成过一台智能循迹避障小车：从原理图、PCB 设计、焊接到单片机 C 语言控制全流程，涉及电机 PWM 调速、红外循迹、超声波避障，这个项目让我把"电路—传感器—控制"打通了。

算法方面，我的毕业设计做了无人机深度强化学习避障，设计安全投影层把训练初期碰撞率降低 80%；另外做过模型蒸馏和 Jetson 边缘部署（110M 蒸馏到 18M，TensorRT 部署）。

一句话总结：我既能画 PCB、写嵌入式 C，也能训 RL 策略、部署边缘 AI——AI 底盘控制系统要的就是这种"两端都能落地"的人，这也是我来面试的原因。谢谢。

Q2：为什么选择科驾技术？为什么对 AI 底盘控制系统感兴趣？

三个层面。 第一，方向：底盘是自动驾驶的"最后一块拼图"——感知和决策很热闹，但执行层（转向/制动/悬架）的智能化才是真正决定安全上限的地方。底盘控制是"低速、高价值、强安全约束"的经典控制问题，AI 注入的空间很大（路面估计、learning-based MPC、安全 RL），这是我很想深耕的方向。 第二，岗位：我看了岗位的关键词——机电、PCB、AI、底软，这正好是我本科+硕士刻意搭建的交叉能力：我画过 PCB、写过单片机、训过 RL、做过 Jetson 部署。这个岗位是少数能让我全部技能都派上用场的岗位，不是"用一部分、浪费一部分"。 第三，公司：我了解到贵司聚焦智能底盘方向（视核实结果调整表述），小团队全栈自研的模式对我这样的新人成长最快——能接触从硬件到算法的完整链条。 我对这个方向的兴趣不是临时起意：我做过的小车项目就是"底盘运动控制"的微型原型，无人机项目验证了"AI+安全约束"的可行性，这两条线在 AI 底盘上正好汇合。

Q3：你的专业是机械硕士，为什么做 AI/算法方向？（跨专业动机必问）

我不是"放弃机械"，而是"用 AI 增强机械"。机械硕士让我补上了纯算法背景最缺的东西：车辆/机器人的物理直觉——知道控制量最终要落到电机、执行器、悬架上，知道仿真是对物理世界的近似而不是玩具。 反过来，AI 让传统机械控制能做到"建模之外"的事：模型不准的部分用学习来补，场景变化用数据来适应。我的职业判断是：未来五年最有价值的工程师是能同时跟 AI 算法和物理系统对话的人，所以我本科打 AI 底、硕士补机械，主动往这个交叉点走。 具体证据：我的毕业设计无人机避障就是"机械动力学（仿真环境建模）+ AI（RL 策略）"的结合；小车项目是"硬件 + 控制"的结合。

Q4：你的职业规划？

短期（硕士阶段）：把"AI + 运动控制"这条线做深，重点是安全强化学习、learning-based MPC 和底盘控制的方向，希望实习期间能完整走一遍"仿真—HIL—实车"中的至少仿真到控制验证这一段。 中期（毕业后 2-3 年）：成为能独立负责"底盘控制算法从设计到落地"的工程师，熟悉底软和功能安全流程，能在传统控制与 AI 之间做出正确的工程取舍。 长期：成为智能底盘/车辆运动控制方向的技术专家，参与定义下一代底盘架构。我不做"纯发论文"的路线，倾向做产品里真实跑起来的东西——这也是我选择实习而不是纯科研的原因。

Q5：你最大的优势和最大的不足？

优势（两个，都带证据）： ① 全链路动手能力——小车项目从 PCB 到控制全是我一个人做的，证明我能处理"从硬件到算法"每一层的坑； ② 学习与迁移能力——我两周上手 LangGraph/MCP 做出可用系统，也能把无人机安全投影层的思路迁移到底盘安全约束的讨论里。我习惯"用数据说话"，无人机项目里 PPO/SAC 选型分歧就是靠各跑一组实验解决的。

不足（真实+改进）：我目前对汽车行业特有体系的掌握还不够——比如 CAN 协议细节、AUTOSAR、ISO 26262 这些车规底软知识是我最近在系统补的（说这句话时最好已经真看了概念，详见 02 文件第 17-20 题）。改进方式：我给自己列了速补清单，面试前已经把概念框架过了一遍，入职后会用项目快速补齐实操。

Q6：你能接受出差吗？对工作强度怎么看？

能接受。做底盘控制必然涉及联调——台架、试验场、客户现场，我理解这是算法落地的一部分，也愿意去。我之前在航空模型协会组织过 50 多人次培训、无人机项目里连续调试仿真环境，习惯高强度集中工作。 对强度的看法：我认可"研发关键节点全力以赴"，同时相信好的工程方法（自动化测试、实验设计、文档）能减少无效加班——我的项目都靠这套方法保证交付质量。

可能追加的行为题（备用）

1. 动手能力证明：除小车外还有什么实物作品？（可答：无人机飞行合格证 UOM、自组穿越机经历、协会培训）
2. 遇到最难调试的 bug：小车电机干扰红外误判（详见 04 文件 Q3）
3. 团队协作/分歧：光伏论文分工、无人机 PPO/SAC 用实验说话、协会协调
4. 为什么实习而不是全职/为什么来上海：硕士在上交，长期在上海发展（与电装面试口径一致）

科驾技术 · 反问面试官 5 题

反问是面试里你唯一掌握主动权的环节，体现思考深度。选 3 个问，按"技术/业务 → 团队/工作 → 培养"的顺序。

技术 / 业务方向（2 题）

Q1（技术路线）：

我想了解一下，目前团队的 AI 底盘控制系统里，AI 主要注入在哪个环节——是路面/状态估计这类感知增强，还是控制策略本身（比如 learning-based MPC 或强化学习做稳定性控制）？我理解这个选择会影响底软架构和验证流程的设计。

为什么问：体现你懂"AI 注入点"是分层架构里的关键决策，也帮你判断入职后做什么。

Q2（产品/客户）：

我看到岗位是全栈方向，想了解目前产品主要的落地场景——是面向主机厂的线控底盘/底盘域控解决方案，还是乘用车/商用车/特种车里的某一类优先切入？客户对"AI 底盘"的接受度大概在什么阶段？

为什么问：体现你对"技术最终要卖给谁"的商业敏感，小团队最看重这个。

团队 / 工作内容（2 题）

Q3（岗位职责）：

这个实习岗位进来后，前 1-2 个月最可能先接触哪块工作？是协助硬件/PCB 相关的开发，还是底软驱动，还是控制算法的仿真验证？我希望能尽快上手产出。

为什么问：显示你关注"快速创造价值"而不是"等安排"。

Q4（团队与开发流程）：

团队目前大概多少位成员，软硬件是怎么分工的？开发流程里仿真验证和实车/台架验证的比重大概是多少？

为什么问：了解小团队的协作模式和验证体系，判断自己能不能融入；也显示你对"验证流程"的重视（底盘控制安全第一）。

培养 / 转正（1 题）

Q5（培养机制）：

实习生有没有 mentor 或者师傅带？公司对实习生的成长路径（比如从协助到独立负责一个模块）一般是怎么设计的？实习表现好有没有转正机会？

为什么问：显示你有长期发展意向（不把实习当跳板），同时摸清转正可能性。

反问避坑

1. ❌ 第一个就问薪资/福利/加班费（HR 环节会主动谈）
2. ❌ 问"你们用的什么模型/什么框架"这种网上能查到的问题（显得没做功课）
3. ❌ 问完一个问题就结束 → 根据回答自然追问一句（"那如果我想往这个方向深入，您建议先补哪块？"）
4. ✅ 把 Q1/Q2 和你的理解结合着问（"我理解 AI 底盘的主流做法是分层架构……您团队是怎么取舍的？"）——体现你真的想过