速腾聚创感知算法岗笔试复盘：点云与激光雷达底层原理全解析

2023年速腾聚创秋招感知算法岗笔试我是在九月中旬参加的。当时投的是自动驾驶感知方向速腾聚创作为激光雷达头部厂商笔试题目比一般自动驾驶公司更偏底层原理也更注重点云本身的处理能力不像很多车企一上来就是检测网络刷榜。整套题做下来我的感受是它不考你调参调得多溜而是考你对三维空间几何、点云数据结构、传感器原理这些“根”上的理解有没有到位。这篇文章把整套笔试的思路、题型、关键考点和复盘经验整理出来给后面准备速腾或者类似激光雷达感知岗位的同学一个参考。无论你是主攻视觉感知想补点云基础还是已经做了很久点云检测想查漏补缺这篇文章都能提供一些可直接落地的复习方向和实操建议。1. 笔试前应该先搞清楚的事1.1 速腾聚创的感知岗位到底在做什么先想清楚他们招人干什么复习才有方向。速腾聚创的核心产品是MEMS固态激光雷达和机械式激光雷达这两年又重点推补盲激光雷达和整套感知解决方案。所以感知算法岗不完全是在写模型很大一部分工作跟雷达本身强相关。岗位涉及的典型任务包括点云预处理去噪、降采样、地面分割、运动补偿目标检测与分割基于PointPillars、VoxelNet或CenterPoint做3D检测也要处理语义分割目标跟踪多目标跟踪、轨迹预测尤其是多传感器融合场景下的关联标定与融合激光雷达与相机联合标定、时间同步、BEV空间融合点云配准与建图SLAM相关任务尤其是定位组需要的帧间匹配笔试题目不会让你把每个方向都做一遍但会在基础数学、点云处理逻辑、传感器原理几个维度上做交叉考察。我把这套笔试的核心考察逻辑概括成一句话考察你从原始点云到结构化信息这一整条链路的理解深度。1.2 笔试策略选型为什么不是大模型而是基础能力很多同学准备感知岗笔试习惯性把精力全压在目标检测网络的结构、Anchor怎么设、NMS参数怎么调这些偏应用层的知识上。但速腾的笔试明显不是这个风格。作为一家雷达厂商他们的感知算法必须对雷达产出数据有极深的理解因为传感器本身的特性直接决定了算法上界。举个例子如果你不理解机械式雷达的扫描线束分布不均匀问题你就解释不了为什么近处目标的点云密度远高于远处目标如果你不理解多回波模式的原理你就不知道为什么雨雾天气下某些点会飘在空中。这些知识点在纯视觉感知的面试中很少被问到但在这套笔试里占比很高。所以复习方向上我强烈建议把“点云数据本身”作为主线把深度学习模型作为支线。笔试题里出现的网络结构问题大多也是围绕输入表示、Loss设计、后处理效果来问不会追着你问某个Backbone的细节。我的笔试策略选型是这样的基础数学部分重点刷旋转矩阵、欧拉角与四元数互转、卡尔曼滤波推导点云处理部分重点掌握KD-Tree、体素滤波、RANSAC、ICP及变体检测网络部分重点掌握PointPillars和CenterPoint的流程SECOND、VoxelNet做了解传感器原理部分重点掌握激光雷达测距原理、坐标系统、时间同步机制编程部分重点练C的STL、PCL库常用接口和手写降采样这套组合策略保证了我面对不同类型的题都能有应对框架而不是看到题目后临时想知识点。2. 核心知识点拆解笔试题背后的底层逻辑2.1 三维空间数学旋转与坐标系变换速腾的笔试对三维空间几何的考察比重非常大而且考得很细。我记得有几道选择题直接给了欧拉角让你算旋转矩阵或者给了旋转矩阵让你反推四元数。这种题看着基础但真到了考场如果平时手推不熟会卡很久。常用的旋转矩阵计算公式建议大家滚瓜烂熟尤其是绕每个轴的旋转矩阵绕X轴旋转角度θ Rx [[1, 0, 0], [0, cosθ, -sinθ], [0, sinθ, cosθ]] 绕Y轴旋转 Ry [[cosθ, 0, sinθ], [0, 1, 0], [-sinθ, 0, cosθ]] 绕Z轴旋转 Rz [[cosθ, -sinθ, 0], [sinθ, cosθ, 0], [0, 0, 1]]这里有一个容易踩坑的点欧拉角的旋转顺序问题。同一个欧拉角按ZYX顺序和按XYZ顺序旋转得到的旋转矩阵完全不同。笔试题目里如果不说明旋转顺序默认是ZYX内旋还是外旋会直接影响答案。建议大家复习时把“内旋”和“外旋”的差异搞清楚这是高频考点。四元数与旋转矩阵的转换公式也是必考的给定四元数 q [w, x, y, z]旋转矩阵为 R [[1-2(y²z²), 2(xy-wz), 2(xzwy)], [2(xywz), 1-2(x²z²), 2(yz-wx)], [2(xz-wy), 2(yzwx), 1-2(x²y²)]]我当时复习时专门把李群李代数也过了一遍。虽然笔试不一定直接考Sophus库的用法但理解李代数可以帮你更顺畅地理解后续的ICP配准、位姿优化等题目的推导逻辑。如果你时间充裕强烈建议把《视觉SLAM十四讲》中关于旋转矩阵、变换矩阵、四元数的章节吃透这本书对激光雷达感知同样适用。2.2 点云基本功从原始数据到结构化表示点云处理题在这套笔试里占比很大考的方式也很直接。比如给一段伪代码让你说这段代码在做哪个滤波操作或者给出一个场景让你设计一个地面分割方案。我整理了一下这套笔试覆盖的点云处理知识点第一是滤波与降采样。体素滤波Voxel Grid Filter是必考的考的是你对“体素大小如何影响点云密度和几何精度”的理解。体素设置得太大物体边缘会被磨平设置得太小计算量飙升。这里有一个实用经验做目标检测的输入点云体素大小通常设在0.05m到0.1m之间做定位配准时可以用0.2m到0.5m的体素。第二是KD-Tree与最近邻搜索。这个也是重头戏。理解KD-Tree的构建过程和搜索原理能直接帮你回答一系列关于点云配准、聚类时间复杂度的问题。笔试里有一道题问了建树时间和搜索时间的权衡如果你没写过KD-Tree这道题大概率靠蒙。第三是地面分割。RANSAC拟合地面是业界最常用的方案但笔试不会只考你“用RANSAC”而是会追问“RANSAC在什么场景下会失效”。答案是当路面有较大坡度、车辆颠簸导致雷达倾斜时一个平面模型无法拟合整个地面。这时候就需要用基于射线的方法或者把点云划分成扇形区域做局部平面拟合。我在复习时把PCL官网上关于点云处理的教程整个过了一遍然后把每个算法的输入输出、参数含义、时间复杂度和适用场景做成了一份速查表。这个方法效率很高也推荐给你。2.3 检测网络从Voxelization到Dense Head速腾的笔试对检测网络的考察集中在PointPillars、CenterPoint这类主流方法上考的是流程理解而不是网络结构复述。比如PointPillars笔试可能会问你以下几个层次的问题Pillar Feature Net中每个Pillar怎么定义点数超过上限怎么处理为什么PointPillars比VoxelNet快那么多从Pillar到BEV的散射过程通道数怎么变化检测头的Loss怎么设计Focal Loss和Smooth L1各有何用意我在备考时把PointPillars原文读了两遍专门画了一张数据流图原始点云 - 体素化Pillar- 每个Pillar内做PointNet特征提取 - 散射成BEV图像 - 2D CNN骨干 - 检测头。搞清楚这张图笔试中至少80%的网络结构题都能应对。CenterPoint是另一个重点因为它是目前自动驾驶感知里基于中心点做检测的主流范式。笔试对CenterPoint的考察主要集中在中心点Heatmap的生成方式、高斯核半径怎么设置、Center-based检测相比Anchor-based有什么优势。这里有一个容易被忽略的点速度预测分支。CenterPoint在检测头里加了速度预测分支笔试可能会问这个分支的训练标签从哪里来。答案是跨帧跟踪的ID关联结果或者是标注数据里直接提供。这道题考的是对多帧信息的理解单纯看检测网络论文很容易忽略。2.4 传感器原理与标定融合作为雷达厂商速腾笔试不可避免地会考传感器原理。这部分如果没做过相关项目会比较吃亏但其实复习起来并不难。激光雷达测距原理是基础中的基础。ToFTime of Flight方案和FMCW调频连续波方案的区别一定得搞清楚。ToF通过发射脉冲并测量反射时间来计算距离FMCW通过发射频率随时间线性变化的连续波测量发射信号与回波信号之间的频率差来反推距离。笔试的选择题可能会给你一组参数让你估算最大测量距离或者距离分辨率公式要记住。标定相关的题目我也遇到了一些。激光雷达与相机联合标定的核心是求解雷达坐标系到相机坐标系的刚体变换包括旋转矩阵和平移向量。笔试考得更多的是一些概念性问题为什么需要时间同步因为车辆运动会导致雷达和相机采集时刻不一致如果直接融合动态目标会出现位置错位。这个问题在实车上非常典型尤其是高速场景下几毫秒的同步误差就会导致目标位置偏差几十厘米。如果你复习时间有限标定部分把“外参标定解决什么问题”、“内参是啥”、“时间同步为什么重要”这三个层次搞清楚就够了。真要深入考会在面试环节以Project形式让你手撕而不是笔试。3. 实操过程与核心环节复盘3.1 题型分布与时间分配这场笔试的时间大概是120分钟题型包括单选、多选、简答和编程。我记忆中的分值分布大致如下题型数量分值占比考察方向单选题15题20%数学基础、点云数据结构、传感器原理多选题10题20%检测网络流程、多传感器融合简答题4题30%算法设计、场景分析、公式推导编程题2题30%点云处理实现、数学计算实现时间分配上我建议这样做选择题控制在30分钟以内因为大部分题应该秒答多选题稍微谨慎一些20分钟搞定简答题留40分钟因为需要文字描述和公式推导编程题至少留30分钟。我这个安排最后执行下来是有点紧的因为简答题第二题卡住了。那道题问“用文字描述如何从一帧点云中提取车道线”我一开始想得太复杂写了两段才想起来可以先用高程滤波去掉路面以上的点再用强度信息区分车道线。这类题考的其实是工程方案的拆解能力不需要写成论文但要步骤清晰、逻辑闭环。3.2 经典简答题解析与作答策略简答题是拉开差距的关键也是笔试里最有含金量的部分。我整理了当时遇到的几类问题并给出高分作答的思路。第一类是“请设计一个方案解决XX问题”。比如如何在一帧稀疏点云中稳定检测小目标行人、锥桶。作答思路应该是“多帧融合先验约束多传感器互补”三步走。先利用多帧累积提升点云密度然后引入目标尺寸先验过滤误检最后在必要时候用相机图像做二次确认。第二类是“请解释XX现象的原因”。比如为什么雨后路面上的点云会出现大量噪声这就要从激光雷达的反射原理出发解释。水面近似镜面反射大部分光束不会返回传感器导致点云空洞而少量漫反射来自水面波纹方向形成游离噪声。第三类是“请写出XX算法的步骤”。比如写出RANSAC拟合平面的步骤。这类题一定要按“采样-计算-评估-迭代”四步作答每一步用一两句话说清楚不要只写关键词。第四类是“请推导/计算”。比如给了旋转矩阵让你求欧拉角。这种题就是纯基本功平时多手推几遍考场上才不慌。我作答时的一个体会是不要怕写得长但每写一句话都要有信息量。阅卷人看的是你的思考路径不是你的结论。把每个方案的假设前提、适用边界、失败场景都写出来比堆砌术语更能拿分。3.3 编程题从PCL接口到手写实现编程题考了两道一道是点云降采样一道是旋转矩阵求逆。都是C实现环境里预置了PCL库但第二道题其实可以直接用Eigen也可以用原生C写。点云降采样这道题我当时的实现思路是体素滤波。核心步骤是计算点云包围盒确定体素网格大小将每个点映射到对应体素保留每个体素的质心或第一个点。这里要注意一个细节如果体素内点的个数为0要跳过不然会访问空容器导致越界。我当时直接用PCL的VoxelGrid写了主要逻辑然后手动实现了坐标映射的关键函数算是稳了一手。旋转矩阵求逆这道题的坑在于旋转矩阵是正交矩阵它的逆等于转置。如果你忘了这个性质硬算逆矩阵会增加很多时间。我当时就是先判断矩阵是不是正交矩阵每行模长为1且行间点积为0满足条件就直接转置返回。编程题给的建议是提前熟悉PCL库的常用接口尤其是pcl::VoxelGrid、pcl::PassThrough、pcl::StatisticalOutlierRemoval、pcl::NormalEstimation这几个。即使笔试不允许调用库函数这些接口的底层逻辑也是你手写代码的最佳参考。3.4 多选题里的那些“陷阱”多选题是这套笔试题里最容易失分的部分。原因是它经常在选项中掺杂一些“看似合理但实际错误”的描述如果你对细节掌握不够扎实很容易多选或少选。我印象比较深的一道多选题是关于ICP配准的。选项包括ICP需要初始位姿、ICP对噪声敏感、ICP一定收敛到全局最优、ICP可以处理部分重叠点云、ICP的收敛速度与初始误差无关。正确答案是前两个和第四个。第三个是很经典的干扰项——ICP本质上是一个局部优化算法收敛结果严重依赖初始值不能保证全局最优。最后一个也是干扰项初始误差越大迭代次数越多收敛速度当然相关。这类题考的其实是“你对算法本质的理解”而不是“你会不会调用函数”。所以复习时一定要把每个算法的优缺点、适用条件、失败场景都搞清楚不能只记结论。4. 常见问题与排查技巧实录4.1 时间不够用怎么办我做完选择题后发现时间比预计的多了五分钟但在简答题第二题上耗了太多时间。现在复盘这个问题有两个解法。第一个解法是拿到试卷后先花两分钟通读一遍全部题目标注出哪些题是“秒答”哪些题是“需要思考”哪些题是“完全没有思路”。策略很简单秒答题立刻做需要思考的题限定时间没有思路的题跳过最后再回来。这个策略在高考就适用在笔试里同样适用我第一次笔试时没这么做结果在一道不会的题上浪费了10分钟。第二个解法是简答题不要追求完美先写核心步骤再补细节。很多同学看到简答题总想把完整方案写出来结果写到一半发现时间不够后面会做的题也没时间做了。我的建议是每道简答题先列出要点提纲标注每个要点的得分数按权重填充内容。先保证每道题都有答案再回头补充扩展。4.2 多选题如何避免多选漏选多选题的评分规则通常是比较严格的多选或少选都不得分或只给一半分。我在这次笔试中多选题的准确率大约在七成左右不算特别好。复盘下来主要问题出在对“适用范围”类选项的判断上。比如一道关于地面分割的题选项里有RANSAC、平面拟合、基于射线的分割、深度学习分割。我选了前三个漏了深度学习分割。因为在实际工程中基于深度学习的Ground Segmentation确实存在且效果不错只是计算量大、实时性差。所以“可以用”和“工业界常用”是两个概念多选题里尤其要小心这种文字游戏。避坑技巧是每个选项单独判断不要因为知道某个算法是对的就默认其他同类型算法的表述也是对的。对不确定的选项宁可少选也不要多选在不确定规则的前提下这是相对安全的策略。4.3 编程题环境不熟悉的应对方法这次笔试用的是在线IDE支持C和Python。我选的是C但说实话在线IDE的代码补全比本地IDE弱很多PCL的头文件路径也需要自己include。我用PCL写降采样时忘了include某些头文件编译报错后花了大约5分钟才定位到问题。这个问题的应对方法是考前提前熟悉在线笔试平台的IDE大多平台都提供模拟练习。把常用的C头文件、PCL头文件的写法提前准备好考前默写一遍减少考场上的试错时间。另外如果平台支持Python对于部分编程题用Python加NumPy实现反而更快。比如旋转矩阵求逆那题用numpy几行代码就搞定了。所以复习时建议同时准备C和Python两套方案遇到具体题目时选择更适合的语言。4.4 笔试后的跟进与复盘笔试结束后我并没有干等结果而是把整套题回忆了一遍把错题和不确定的题整理成了复盘笔记。这个笔记后来在面试环节发挥了很大作用因为面试官问的一些问题恰恰是笔试中我没答好的知识点的延伸。复盘笔记的整理方式很简单把题目按知识点分类标注掌握程度对不熟的知识点重新啃一遍。我用了一个晚上把旋转矩阵、SVD、ICP这几块重新推了一遍把之前模糊的概念都梳理清楚了。这里我要特别强调笔试后的复盘比笔试本身更重要。笔试只是门槛面试才是真正的战场。你在笔试中暴露出的知识盲区大概率就是面试中面试官会追问的地方。提前把这些坑填上面试时会从容很多。5. 经验总结与后续方向5.1 复习优先级建议如果你准备的是速腾聚创或类似激光雷达厂商的感知算法岗我的复习优先级建议是这样的第一优先级是三维空间数学和坐标系变换。这不仅是笔试题的基础也是面试手撕代码的常客。旋转矩阵、四元数、欧拉角、变换矩阵、SVD这些知识点要做到不假思索就能写出来的程度。第二优先级是点云处理基础和传统算法。体素滤波、统计滤波、RANSAC、ICP、NDT每一个都要理解原理和适用场景。PCL库的常用用法要熟练。第三优先级是主流的3D检测网络。PointPillars、CenterPoint、VoxelNet或SECOND选两到三个吃透即可重点是流程和数据流不是网络结构参数。BEV视角下的多传感器融合可以作为加分项。第四优先级是传感器原理与标定。这部分需要理解但不一定要达到手推公式的程度。了解ToF和FMCW的区别知道内参外参、时间同步的意义基本够用。5.2 后续学习方向笔试通过后面试环节会更看重实际项目经验和代码能力。我建议你在准备笔试的同时动手做1到2个和点云感知相关的小项目。比如用Open3D或PCL实现一个完整的点云目标检测流程读入点云、滤波、地面分割、聚类、3D框拟合、可视化。这个项目可以帮你把笔试中考察的多个知识点串联起来也能在面试时作为项目经历展示。如果有余力还可以尝试在nuScenes或KITTI数据集上复现一个简单的PointPillars模型。不需要追求指标领先重点是跑通整个流程并能够说清楚每个模块的输入输出和设计动机。5.3 关于笔试本身的一点心态建议最后说点心态层面的东西。感知算法岗的笔试尤其是雷达厂商的笔试它的核心目的不是筛掉你而是帮你和岗位做一个匹配测试。题目偏基础、偏原理恰恰说明这家公司重视算法工程师对底层原理的把控能力而不是只会调包调参。我个人的感受是这种风格的笔试对认真做过项目、真正理解点云数据的候选人非常友好。即使有些题目没做出来只要大部分基础题都稳了面试机会还是很大的。我在后来和速腾的面试官交流时他也提到笔试主要看的是思维方式和知识体系的完整度单题失分影响有限。如果你正在准备这一类的笔试建议把重心放回到理解点云本身多问问自己“这个点云是怎么来的”、“这个算法的局限性在哪”、“换一个场景它还行不行”。想清楚了这些笔试和面试都不再是背题而是水到渠成的表达。这篇复盘写到这里算是我对这次笔试经历的完整记录也希望给正在准备的你一些参考。面试环节的经验等后续有时间再单独整理祝顺利。