二次选拔南开大学2026级本科新生二次选拔通知(附二次选拔项目一览表)
南开大学 2026年官方招生简章文字版，本站已归档 PDF 原件，正文摘自官方简章，可按招生区域、报名条件、选拔程序、录取规则快速检索。
阅读全文 →06_自动驾驶与智能交通
方向 06 / DIRECTION 06
自动驾驶与智能交通
Autonomous Driving & Intelligent Transportation
A. 方向画像与考察重点
自动驾驶与智能交通是人工智能落地最复杂、最具产业价值的场景之一，也是同济大学的传统优势与战略高地。依托电子与信息工程学院，并与"自主智能无人系统前沿科学中心"紧密配合办学，同济在感知算法、决策规划、车路协同等方向形成了完整的研究链条。学校以"工程智能"（AI for Engineering, AI4E）为突破口，强调用 AI 解决真实工程问题，自动驾驶正是这一战略的典型载体。
在人才培养上，学院采用"项目制+导师制"双轨培养，导师库覆盖自动驾驶、感知建模、路径规划等方向，并与上海人工智能实验室深度合作，为学生提供从算法研究到实车验证的闭环训练。面试中，考官不仅关注候选人对机器学习、计算机视觉、控制理论的掌握，更看重其能否将算法与车辆动力学、交通系统、功能安全等工程约束结合。
结合同济特色，考察重点集中在：智能网联车辆（感知—决策—控制链路）、智慧空间（高精地图、数字孪生、城市级交通仿真）以及车联网 V2X（车与车、车与路、车与云的协同）。同济工科试验班（卓越计划班）设有"智能网联车辆""智慧空间"领域，因此涉及激光雷达实时建模、车辆路径规划仿真、V2X 协同的题目出现概率较高，备考时应主动建立"AI 算法 + 交通工程 + 车载系统"的交叉知识框架。
B. 核心概念速查
关键词 以下为面试高频基础概念，建议逐条背诵并能在白板上画出关系。
- SAE 自动驾驶分级（L0–L5）：由美国汽车工程师学会定义，L0 无自动化到 L5 完全自动化，L3 是"有条件自动驾驶"的人机责任分界点。
- 多传感器融合：将摄像头、激光雷达、毫米波雷达等多源数据在原始、特征或决策层融合，以提升感知的鲁棒性与冗余度。
- 激光雷达/摄像头/毫米波雷达：三种主传感器，分别代表主动三维测距、被动二维视觉、全天候测速测距，互补构成感知系统。
- SLAM 与高精地图：SLAM（同步定位与建图）让车辆在无先验信息时定位并建图；高精地图提供厘米级静态先验，二者支撑精确定位。
- 行为预测：估计周围行人、车辆未来的意图与轨迹，是决策规划的前提，常借助序列模型或图神经网络建模交互。
- 轨迹规划：在约束下生成安全、舒适、可执行的车辆行驶路径与速度曲线，常分全局规划与局部规划两层。
- V2X 车联网：Vehicle-to-Everything，包含车车（V2V）、车路（V2I）、车人（V2P）、车云（V2N）通信，实现超视距协同感知与调度。
- 端到端自动驾驶：用单一神经网络直接从传感器输入映射到控制输出，跳过模块化流水线，代表方向是感知—决策一体化学习。
C. 面试真题（Q1–Q30）
Q1专业重点请解释 SAE 自动驾驶分级（L0–L5），并说明 L3 为什么被视为关键拐点。
EN: Explain the SAE autonomy levels L0–L5 and why L3 is considered a critical turning point.
参考回答（中文）
SAE J3016 将驾驶自动化分为六级：L0 无自动化（仅预警），L1 辅助（横向或纵向单一控制），L2 部分自动化（横纵同时但需人监控），L3 有条件自动化（限定场景下系统完控、人可脱手脱眼但需接管），L4 高度自动化（限定区域无需接管），L5 完全自动化（全场景）。L3 的关键性在于它是"人机责任转移"的临界点：系统运行设计域（ODD）内由系统负责，一旦超出需驾驶员接管。这带来法律与功能安全难题——系统必须准确识别"需接管"时刻并留有充足冗余时间，因此 L3 被称为工程与法规的分水岭。
Reference Answer (EN)
SAE J3016 defines L0–L5: L0 no automation, L1 single-axis assist, L2 partial (both axes, driver supervises), L3 conditional (system drives in ODD, human must take over), L4 high (no takeover in ODD), L5 full. L3 is pivotal as the human–machine responsibility handoff point: the system owns driving inside its ODD but must reliably detect exit conditions and request takeover with enough margin—posing major safety and legal challenges.
备考提示：务必记住 L3 是"责任分界"，能说清 ODD、接管（takeover）、动态驾驶任务（DDT）三词即可加分。
Q2专业重点摄像头、激光雷达、毫米波雷达各自的优缺点是什么？为什么需要三者融合？
EN: Compare camera, LiDAR and mmWave radar; why fuse them?
参考回答（中文）
摄像头：被动成像、语义信息丰富（可识别车道线、交通灯、文字），但受光照与天气影响大，且缺乏精确深度。激光雷达（LiDAR）：主动测距、输出三维点云、精度高、全天候夜间可用，但成本高、雨雾下噪声大、难以识别颜色与文字。毫米波雷达：测速精准、穿透雨雾强、成本低，但分辨率低、难以识别静止小物体。三者互补：摄像头补语义、激光补三维几何、雷达补速度与环境鲁棒性。单一传感器在长尾场景下都会失效，融合可提升冗余度与安全性，是 L3+ 系统的工程刚需。
Reference Answer (EN)
Camera: rich semantics, color, signs—but no reliable depth, light-sensitive. LiDAR: precise 3D points, night-capable—but costly, degraded in heavy rain/fog, no color. Radar: accurate velocity, weather-robust, cheap—but low resolution, weak on static small objects. Fusion yields互补: camera for semantics, LiDAR for geometry, radar for velocity/robustness. Redundancy is mandatory for L3+ safety.
备考提示：答题结构用"优点/缺点/互补"三步法，最后落到"冗余即安全"这一工程逻辑。
Q3专业重点多传感器融合有哪些层级？前融合、特征融合、后融合的区别是什么？
EN: What are the levels of sensor fusion? Distinguish early/feature/late fusion.
参考回答（中文）
按信息抽象程度分三层。前融合（数据层/早期融合）：将原始数据（如点云+图像像素）直接拼接后送入统一模型，信息损失最小、潜力最大，但对标定与同步要求极高、算力重。特征融合（中层）：各传感器先提取特征（如图像特征图、点云体素特征），再在特征空间融合，兼顾性能与效率，是当前主流（如 BEV 特征融合）。后融合（决策层/晚期融合）：各传感器独立检测得到目标级结果，再做目标关联与投票决策，鲁棒、易调试、可降级，但丢失细节、上限低。工程上常采用"后融合保底+前/特征融合提性能"的混合架构。
Reference Answer (EN)
Three levels by abstraction: early (raw-data) fusion concatenates raw signals—minimal loss, high compute, strict calibration; feature (mid) fusion merges per-sensor features (e.g., BEV)—balanced, now mainstream; late (object/decisive) fusion combines independent detections—robust, debuggable, degradable but lower ceiling. Production often mixes late-fusion fallback with feature fusion.
备考提示：能画出 BEV（鸟瞰图）融合的示意图会被视为加分项，建议提前准备一页手写稿。
Q4激光雷达的工作原理是什么？点云数据有哪些特点，给感知算法带来什么挑战？
EN: How does LiDAR work? What are point-cloud traits and challenges?
参考回答（中文）
主流车载激光雷达采用飞行时间（ToF）原理：发射激光脉冲并测量回波往返时间得到距离，结合扫描角度生成三维点云。点云是不规则、无序、稀疏且随距离密度衰减的三维坐标集合。这给算法带来三类挑战：一是无序性，不能直接套用规则网格的 CNN，需用 PointNet 等点级网络或体素化；二是稀疏与遮挡，远处目标点极少、易被遮挡；三是运动畸变，扫描周期内车辆运动使点云变形，需运动补偿。同济在激光雷达实时建模方向有积累，关注点云配准与建图效率是其特色切入点。
Reference Answer (EN)
Most automotive LiDAR uses time-of-flight: emit pulses, measure round-trip time for range, sweep to build a 3D point cloud. Point clouds are unordered, sparse, irregular, distance-decaying. Challenges: permutation-invariance (need PointNet/voxelization, not CNN grids), sparsity/occlusion, and motion distortion needing compensation. Tongji emphasizes real-time LiDAR modeling and registration efficiency.
备考提示：提到 PointNet、体素（voxel）、运动补偿三个词即可体现专业度。
Q5毫米波雷达相比激光雷达在自动驾驶中有什么不可替代的作用？
EN: What irreplaceable role does mmWave radar play vs LiDAR?
参考回答（中文）
毫米波雷达的核心不可替代性在于三点：一是全天候鲁棒性，雨雪雾沙尘中衰减远小于激光，是恶劣天气下的主感知源；二是直接测速，基于多普勒效应可精确获得径向速度，对cut-in（切入）等动态风险响应快；三是探测距离远、成本低、量产成熟，适合作为前向长距预警。缺点是无法提供精细形状与语义。因此它常与摄像头组成"雷达+视觉"廉价高鲁棒方案，并在融合系统中提供速度维度，弥补激光雷达在恶劣天气与测速上的短板。
Reference Answer (EN)
Radar is irreplaceable for: all-weather robustness (far less attenuation than LiDAR in rain/fog), direct velocity via Doppler (fast reaction to cut-ins), and long range at low cost. It lacks fine shape/semantics, so it pairs with camera as a cheap robust tier and supplies the velocity channel in fusion—covering LiDAR's weak spots.
备考提示：关键词"多普勒测速"和"全天候"是雷达题的得分点。
Q6纯视觉方案（如 Tesla）与多传感器方案各自的利弊是什么？
EN: Pros and cons of vision-only vs multi-sensor approaches?
参考回答（中文）
纯视觉方案利在：硬件成本低、数据标注与仿真统一、依赖海量数据训练泛化。弊在：缺乏精确主动测距，深度估计依赖学习、极端光照/恶劣天气下可靠性下降，且缺少冗余。多传感器方案利在：感知冗余高、各传感器互补、功能安全更易达标（L3+ 必备）；弊在：标定同步复杂、融合算法与算力成本高、多源不一致时难裁决。总体趋势是：量产 L2 可用纯视觉降成本，L3+ 受功能安全驱动普遍采用多传感器融合，并以纯视觉作降级备份。
Reference Answer (EN)
Vision-only: low cost, unified data/sim, strong generalization from scale—but no active depth, weaker in bad weather, no redundancy. Multi-sensor: high redundancy,互补, easier to meet functional-safety (L3+)—but complex calibration/sync, higher compute, harder conflict resolution. Trend: L2 may go vision-only; L3+ needs fusion with vision as fallback.
备考提示：结合功能安全谈"冗余"，比单纯比性能更显深度。
Q7目标检测在自动驾驶中常用哪些算法？两阶段与单阶段、Anchor-based 与 Anchor-free 有什么区别？
EN: Common detection algorithms? Two-stage vs one-stage, anchor-based vs anchor-free.
参考回答（中文）
图像检测：两阶段（Faster R-CNN 先提候选框再分类，精度高速度慢）与单阶段（YOLO、SSD 一次出结果，速度快精度略低）；Anchor-based 用预设框回归，Anchor-free（如 CenterNet、FCOS）直接预测中心点/角点，简化设计、对小物体更友好。点云检测：PointPillars、SECOND、PV-RCNN 等将点数体素化后用 3D CNN。趋势是 BEV 统一检测（如 BEVDet、DETR3D），把多视角图像与雷达投影到鸟瞰图做统一检测与跟踪，简化融合。面试应能说明"精度—速度—部署"的权衡。
Reference Answer (EN)
Image: two-stage (Faster R-CNN, accurate/slow) vs one-stage (YOLO/SSD, fast); anchor-based vs anchor-free (CenterNet/FCOS, point-based, better small objects). LiDAR: PointPillars/SECOND/PV-RCNN via voxelization. Trend: BEV unified detection (BEVDet, DETR3D) projecting multi-view and radar to one bird's-eye view. Emphasize accuracy–speed–deploy trade-off.
备考提示：能列举一个最新 BEV 检测模型名字，体现你跟进行业前沿。
Q8多目标跟踪（MOT）在自动驾驶中如何工作？数据关联常用什么方法？
EN: How does multi-object tracking work? Common data-association methods?
参考回答（中文）
MOT 目标是在连续帧中保持对同一物体的身份（ID）一致。流程通常是：每帧检测目标→计算目标间相似度（位置、外观、运动）→数据关联匹配→卡尔曼滤波等预测更新状态。数据关联方法：IOU 匹配（按框重叠）、匈牙利算法（最优二分匹配）、基于外观Re-ID特征的最近邻、以及 SORT/DeepSORT 等成熟框架；近年也用图神经网络或Transformer做全局关联。自动驾驶中还需处理遮挡、漏检、新目标出现与 ID Switch，常结合相机-雷达融合提升跟踪稳定性。
Reference Answer (EN)
MOT keeps stable IDs across frames: detect per frame → compute similarity (position, appearance, motion) → associate → update with Kalman filter. Association: IoU matching, Hungarian algorithm, Re-ID nearest-neighbor; frameworks like SORT/DeepSORT; recent GNN/Transformer global association. Handle occlusion, misses, ID switches; fuse camera-radar for stability.
备考提示：说出"匈牙利算法+卡尔曼滤波"即显示你懂经典跟踪链路。
Q9专业重点请解释 SLAM，并比较激光 SLAM 与视觉 SLAM 的异同及在车端的用途。
EN: Explain SLAM; compare LiDAR-SLAM vs Visual-SLAM and their vehicle use.
参考回答（中文）
SLAM（同步定位与建图）指载体在未知环境中，一边估计自身位姿一边构建环境地图。激光 SLAM（如 LOAM、LIO-SAM）以激光点云配准为主，精度高、不依赖光照，但无语义、受几何退化场景（长直隧道）影响。视觉 SLAM（如 ORB-SLAM、VINS）用图像特征，信息丰富、成本低，但受光照与动态物体干扰、尺度易漂移。车端通常用多传感器融合 SLAM（激光+视觉+IMU+GNSS）以获得厘米级鲁棒定位，并在高精地图缺失区域做在线建图与定位，是 L4 无图/轻图方案的核心。
Reference Answer (EN)
SLAM jointly estimates pose and builds a map in unknown environments. LiDAR-SLAM (LOAM, LIO-SAM): high precision, light-independent, but no semantics, fails in degenerate geometry (tunnels). Visual-SLAM (ORB-SLAM, VINS): rich, cheap, but light-sensitive, scale drift. Vehicles use fused SLAM (LiDAR+vision+IMU+GNSS) for cm-level robustness and online mapping—core to mapless L4.
备考提示：提"几何退化"和"多传感器紧耦合"能展现对工程难点的理解。
Q10高精地图（HD Map）在自动驾驶中扮演什么角色？它的局限性有哪些？
EN: Role of HD maps in AVs and their limitations?
参考回答（中文）
高精地图提供厘米级静态先验：车道线、路沿、交通标志、红绿灯位置、坡度曲率等，作用有三：一是辅助定位（与实时感知匹配消除漂移）；二是为规划提供结构化先验（车道级路径）；三是扩展感知超视距。局限性：制作与更新成本高、覆盖有限、鲜度难保证（道路施工即失效），且依赖采集车与人工标注。因此行业正转向"轻地图/无图"方案，用在线感知+实时建图替代，高精地图退居为备份或特定场景（高速、封闭园区）依赖。
Reference Answer (EN)
HD maps give cm-level static priors: lanes, curbs, signs, signals, curvature—used for localization (match to kill drift), structured planning, and super-horizon perception. Limits: costly to build/update, limited coverage, poor freshness (fails on construction), manual labeling. Industry shifts to light/mapless via online perception+real-time mapping; HD map becomes backup or niche (highway, parks).
备考提示："鲜度（freshness）"和"无图化趋势"是体现行业视野的高频词。
Q11自动驾驶车辆如何获得高精度定位？GNSS/RTK、IMU、轮速计如何融合？
EN: How do AVs achieve precise localization? Fuse GNSS/RTK, IMU, wheel odometry?
参考回答（中文）
车辆定位是多层融合：GNSS（全球导航卫星系统）提供绝对位置但城区多径、遮挡易失效；RTK（实时动态差分）将精度提升到厘米级但依赖基站与通信；IMU（惯性测量单元）高频输出姿态与加速度、不依赖外部信号，但积分会漂移；轮速计提供里程。工程上用卡尔曼滤波/因子图将 GNSS-RTK（低频绝对）、IMU（高频相对）、轮速与激光/视觉里程计紧耦合：IMU 填补 GNSS 丢失间隙，GNSS 校正 IMU 漂移，实现连续厘米级定位。隧道、城市峡谷是典型挑战场景。
Reference Answer (EN)
Layered fusion: GNSS gives absolute but suffers multipath in cities; RTK reaches cm-level but needs base station+link; IMU is high-rate, self-contained but drifts; wheel odometry adds distance. Use Kalman filter/factor graph to tightly couple GNSS-RTK (low-rate absolute), IMU (high-rate relative), wheels, and LiDAR/visual odometry: IMU bridges GNSS outages, GNSS corrects IMU drift. Tunnels/urban canyons are hard cases.
备考提示："紧耦合 vs 松耦合"是定位题进阶考点，可主动补充。
Q12行为预测与轨迹预测的区别是什么？为什么它对决策规划至关重要？
EN: Behavior vs trajectory prediction; why crucial for planning?
参考回答（中文）
行为预测侧重"意图/离散决策"（如车辆将左转、行人将横穿），轨迹预测侧重"未来连续路径/速度"（多模态未来轨迹）。二者关系：意图是轨迹的前提，轨迹是意图的细化。它至关重要，因为自动驾驶必须在交互中预判他者——若误判前车将cut-in或行人将过街，规划出的轨迹会不安全或过于保守。准确预测让决策从"被动反应"变为"主动博弈"，直接决定安全性与通行效率，是 L4 城市复杂场景的瓶颈环节。
Reference Answer (EN)
Behavior prediction infers intent (turn left, cross) — discrete; trajectory prediction outputs future continuous paths/speeds — multimodal. Intent precedes trajectory. It is vital because AVs must anticipate others in interaction; misreading a cut-in or jaywalker yields unsafe or over-conservative plans. Good prediction turns reactive into proactive, driving safety and efficiency—a key urban-L4 bottleneck.
备考提示：强调"多模态预测"（同一时刻多种可能未来）是专业加分点。
Q13轨迹预测常用哪些模型？图神经网络（GNN）和 Transformer 为什么适合这一任务？
EN: Common trajectory-prediction models? Why GNN and Transformer fit?
参考回答（中文）
经典方法：基于运动学（常数速度/加速度）、高斯过程；深度方法：LSTM/GRU 编码历史，CNN 编码地图，再解码轨迹。GNN 适合建模"智能体—智能体"和"智能体—路网"的交互图，能自然表达车辆间的博弈与让行关系。Transformer 凭借自注意力捕捉长时序依赖与全局交互，且易于融合地图、信号灯等多模态上下文，代表模型有 VectorNet、SceneTransformer、Wayformer。输出常为多模态轨迹分布（如高斯混合或锚点轨迹），并配概率供规划器风险评估。
Reference Answer (EN)
Classic: kinematic (CV/CA), Gaussian processes. Deep: LSTM/GRU for history, CNN for map. GNN models agent–agent and agent–lane interaction graphs—natural for negotiation/yielding. Transformer captures long-range global interaction and fuses map/signal context (VectorNet, SceneTransformer, Wayformer). Output multimodal trajectory distributions with probabilities for risk-aware planning.
备考提示：能说出 VectorNet 或 Wayformer 任一名字即可证明你读过论文。
Q14专业重点轨迹规划与决策通常分几层？采样法、搜索法、优化法各有什么代表算法？
EN: Layers of planning/decision? Sampling, search, optimization methods?
参考回答（中文）
常分三层：行为决策（换道/跟车/让行等宏观意图）、局部轨迹规划（生成具体路径与速度）、控制执行（转向/油门/制动）。方法上：采样法（如 Lattice/ST 图采样，快速生成候选轨迹并评价）；搜索法（如 A*、Hybrid A*、RRT* 在状态空间搜可行路径，适合全局/泊车）；优化法（如模型预测控制 MPC、凸优化、EM 规划，将轨迹生成建模为带约束的优化问题，平滑且合规）。工程上多组合使用：搜索/采样出粗解，优化细化。同济在车辆路径规划仿真方向有积累，强调仿真验证与安全约束。
Reference Answer (EN)
Three layers: behavioral decision (lane-change/follow/yield), local trajectory planning, control. Methods: sampling (Lattice, ST-graph—fast candidates); search (A*, Hybrid A*, RRT*—global/parking); optimization (MPC, convex/EM planning—constrained smooth trajectories). Practice combines them: search/sample coarse, optimize refine. Tongji emphasizes path-planning simulation with safety constraints.
备考提示：用"决策—规划—控制"三层框架答题，逻辑清晰且显体系化。
Q15基于规则（有限状态机/行为树）的决策方法有什么优缺点？它为何仍是量产主力？
EN: Rule-based (FSM/behavior tree) decision pros/cons; why still mainstream?
参考回答（中文）
基于规则的方法用有限状态机（FSM）或行为树把驾驶逻辑显式编码：优点是可解释、行为确定、易调试、便于功能安全认证与形式化验证，且计算可控、无训练依赖；缺点是靠人工编写、难以覆盖长尾场景、泛化差、复杂交互下规则易冲突爆炸。它仍是量产 L2/L3 主力，因为汽车对"可解释、可追溯、可认证"要求极高，Black-box 模型难通过安全审核。趋势是用学习型方法处理长尾，但保留规则作安全兜底与仲裁层。
Reference Answer (EN)
Rule-based (FSM/behavior tree) explicitly encodes logic: interpretable, deterministic, debuggable, certifiable, low compute, no training—but hand-crafted, poor long-tail coverage, hard to scale, rule conflicts. Still mainstream for L2/L3 because automotive demands explainability, traceability, certification; black boxes struggle in safety audit. Trend: learning handles long tail, rules remain safety fallback/arbitration.
备考提示：把"可解释性/功能安全认证"作为规则法仍有价值的理由，很切题。
Q16博弈论如何应用于自动驾驶的决策？能举一个交互场景的例子吗？
EN: How is game theory applied to AV decision-making? Give an interaction example.
参考回答（中文）
博弈论把周围车辆视为理性、相互影响的参与者，用收益函数刻画"安全、效率、礼貌"等目标，求解纳什均衡或极小极大策略。典型场景：无保护左转，自车要与对向直行车博弈谁先通过——单方面抢行有碰撞风险，过度礼让则死锁。可将双方未来动作建模为博弈，估计对方策略分布后选期望收益最高的轨迹，并用递归推理（对方也在想我）逼近均衡。相比纯规则，博弈能自然表达"协商式"交互，减少保守死锁，但计算复杂度高，常需简化假设与实时近似。
Reference Answer (EN)
Game theory treats others as rational interacting agents; a utility function encodes safety/efficiency/politeness, solving Nash equilibrium or minimax. Example: unprotected left turn negotiating with oncoming through-traffic—yield too much deadlocks, rush risks crash. Model joint actions, infer opponent strategy, pick highest expected utility via recursive reasoning. More natural than rules for negotiation, but costly—needs approximation.
备考提示："纳什均衡""无保护左转"是博弈题标准范例，务必背熟。
Q17强化学习在自动驾驶中有哪些应用与局限？为什么不直接端到端用 RL 开车？
EN: RL applications and limits in AVs; why not just drive end-to-end with RL?
参考回答（中文）
RL 常用于决策/规划的策略学习（如换道、汇入、泊车），以及仿真中通过大量试错学出高效策略；也用于控制器参数调优。局限明显：真实道路上"试错"代价高、样本效率低、难以保证安全与可证性；奖励函数难设计，易出现奖励黑客；分布偏移下泛化差。因此工业界多用"仿真训练+安全约束/规则兜底"，或仅在封闭场景（泊车、园区）落地。直接端到端 RL 开车既不满足功能安全，也无法解释，目前更多是研究而非量产路径。
Reference Answer (EN)
RL is used for decision/planning policies (lane-change, merge, parking) and controller tuning in simulation. Limits: costly real-world trial, low sample efficiency, no safety guarantee, reward-design/hacking, poor generalization under shift. Industry uses sim-train + safety rules, or closed areas only. End-to-end RL driving lacks functional safety and explainability—research, not yet production.
备考提示：强调"仿真到实车的安全鸿沟（sim-to-real）"体现你懂落地难点。
Q18专业重点什么是端到端自动驾驶？它与模块化流水线相比有什么优势和风险？
EN: What is end-to-end AV? Advantages and risks vs modular pipeline?
参考回答（中文）
端到端自动驾驶用单一（或少量）神经网络把传感器输入直接映射到控制指令（转向、加减速），跳过感知—预测—规划—控制的显式中间模块（代表：UniAD、特斯拉近期方案）。优势：减少级联误差、信息无损传递、可数据驱动全局优化、潜在更高上限与更拟人驾驶。风险：黑盒不可解释、难做功能安全认证、错误难定位、对数据规模与分布敏感、长尾失效代价大。实践中常折中：保留可解释模块，仅把部分环节（如感知到规划）端到端化，并用规则安全层兜底。
Reference Answer (EN)
End-to-end AV maps sensors directly to controls via one network, skipping explicit perception-prediction-planning modules (e.g., UniAD, Tesla's recent direction). Pros: no cascaded error, lossless info, global data-driven optimization, more human-like, higher ceiling. Risks: black-box, hard to certify, errors hard to trace, data-hungry, costly long-tail failures. Practice: partial end-to-end with rule-based safety fallback.
备考提示：提到 UniAD 说明你了解 2023 年后的端到端前沿。
Q19如何看待"模块化"与"端到端"两条技术路线的未来？
EN: Future of modular vs end-to-end pipelines?
参考回答（中文）
二者并非互斥，而是梯度融合。模块化可解释、易调试、便于分阶段验收与功能安全，仍是当前量产安全底座；端到端上限高、能消除级联误差、数据驱动，是学术与头部企业的前沿方向。可预见趋势：中间形态（如"感知-规划"联合端到端、BEV+Transformer 统一表征）会成为主流，既保留部分可解释模块满足认证，又用统一表征提升性能；安全关键处仍由规则/冗余守护。最终形态可能是"学习型主体+可验证安全层"的混合架构。
Reference Answer (EN)
They are not exclusive but a spectrum. Modular is interpretable, debuggable, certifiable—today's safety base; end-to-end has higher ceiling, removes cascaded error, data-driven—frontier. Trend: hybrid (perception-planning end-to-end, BEV+Transformer unified representation) keeps some explainable modules for certification while boosting performance; safety-critical parts stay rule/redundancy guarded. Likely "learned agent + verifiable safety layer".
备考提示：展现"辩证+趋势判断"比选边站更得考官青睐。
Q20专业重点什么是 V2X 车路协同？V2V、V2I、V2P、V2N 分别指什么？它如何提升自动驾驶安全？
EN: What is V2X? Define V2V/V2I/V2P/V2N and how it improves safety?
参考回答（中文）
V2X（Vehicle-to-Everything）指车与一切要素的通信协同，扩展单车感知边界。V2V 车车通信（共享位置/速度/意图，防碰撞）；V2I 车与路侧基础设施（红绿灯、路侧雷达，获取超视距信号态）；V2P 车与人（保护弱势交通参与者）；V2N 车与网络/云（实时高精地图、交通流调度）。它通过"超视距、非视距"感知弥补车载传感器盲区（如被遮挡的行人、弯道来车），降低决策不确定性，是同济"智能网联车辆"与"智慧空间"方向的核心支撑，也是车路云一体化中国方案的关键。
Reference Answer (EN)
V2X = vehicle communication with everything, extending perception. V2V shares position/intent (anti-collision); V2I with infrastructure (signals, roadside sensors, beyond-line-of-sight); V2P protects pedestrians; V2N with network/cloud (live HD maps, traffic scheduling). It adds non-line-of-sight,超视距 perception—covering occluded pedestrians or blind-corner vehicles—core to Tongji's智能网联 and China's vehicle-road-cloud plan.
备考提示：主动关联"同济智能网联/智慧空间/车路云一体化"，高度契合本校特色。
Q21DSRC 与 C-V2X 两种车联网通信技术有何区别？为什么中国主推 C-V2X？
EN: DSRC vs C-V2X; why does China favor C-V2X?
参考回答（中文）
DSRC（基于 IEEE 802.11p）是早期专用短程通信，时延低但覆盖范围小、无演进路线、与蜂窝网割裂。C-V2X（蜂窝车联网，基于 3GPP，含 LTE-V2X 与 5G NR-V2X）依托蜂窝网络，支持更大覆盖、与 5G 融合、具备网络（V2N）与直连（PC5）双模，且可平滑演进、复用基站设施。中国主推 C-V2X，因其与 5G 战略协同、产业链自主可控、利于车路云一体化规模部署，已被纳入新基建与标准体系统一推进，形成"聪明的车+智慧的路"中国方案。
Reference Answer (EN)
DSRC (IEEE 802.11p) is early short-range, low latency but small coverage, no evolution, isolated from cellular. C-V2X (3GPP, LTE-V2X/5G NR-V2X) leverages cellular: larger coverage, 5G integration, both network (V2N) and direct (PC5) modes, smooth evolution, reuses base stations. China favors C-V2X for 5G synergy, supply-chain autonomy, and scalable vehicle-road-cloud deployment—the "smart vehicle + smart road" plan.
备考提示："PC5 直连/网络双模"与"5G 协同"是 C-V2X 核心术语。
Q22智能网联汽车（ICV）与自动驾驶汽车有何联系与区别？
EN: Relationship and difference between ICV and autonomous vehicles?
参考回答（中文）
智能网联汽车（Intelligent & Connected Vehicle, ICV）是"智能化+网联化"双能力载体：智能化指单车自动驾驶（感知—决策—控制），网联化指 V2X 通信与协同。自动驾驶汽车侧重单车智能水平，是 ICV 的子集能力之一。区别在于：单纯自动驾驶靠自身传感器，受视距与盲区限制；ICV 通过网络获取车外信息，实现协同感知、协同决策与交通优化，安全性和效率上限更高。国家战略上 ICV 强调"车路云一体化"，同济的智能网联车辆方向正是这一范畴。
Reference Answer (EN)
ICV = intelligent + connected: intelligence is onboard autonomy (perceive-decide-act); connectivity is V2X cooperation. Autonomous driving is a subset (onboard intelligence). Difference: pure AV relies on its own sensors (limited by line-of-sight/blind spots); ICV gains external info for cooperative perception/decision and traffic optimization—higher safety/efficiency. China's strategy is vehicle-road-cloud integration; Tongji's智能网联 vehicle方向 fits here.
备考提示：用"单车智能 vs 车路协同"对比，凸显你对国家战略的理解。
Q23专业重点什么是功能安全（ISO 26262）与 ASIL 等级？自动驾驶为何还需要 SOTIF（预期功能安全）？
EN: Functional safety (ISO 26262) and ASIL? Why also SOTIF for AVs?
参考回答（中文）
ISO 26262 面向电子电气系统的功能安全，用 ASIL（A–D，D 最严）等级按"严重度、暴露率、可控性"评估风险，要求通过 HARA 分析、故障注入、冗余与监控避免系统性/随机硬件失效。但它假设"系统按设计运行"，无法覆盖因性能局限或场景误解导致的失效——这正是自动驾驶痛点。SOTIF（ISO 21448，预期功能安全）专门处理"功能本身不足或合理可预见的误用"带来的风险，聚焦感知盲区、长尾场景、算法局限，通过场景挖掘、触发条件分析、冗余与运行设计域限制来降低风险。二者互补，是 L3+ 认证的双支柱。
Reference Answer (EN)
ISO 26262 functional safety grades risk by ASIL A–D (severity, exposure, controllability), using HARA, fault injection, redundancy to avoid systematic/random failures—but assumes correct design. AVs also fail from performance limits or misinterpretation, so SOTIF (ISO 21448) addresses insufficiencies and foreseeable misuse: blind spots, long-tail, algorithm limits, via scenario mining and ODD restriction. Together they are the L3+ certification pillars.
备考提示：能区分"失效（26262）"与"性能不足（21448）"是安全题高分段关键。
Q24什么是自动驾驶的"长尾问题"（corner cases）？工程中如何系统性应对？
EN: What are AV "long-tail / corner cases"? How to address them systematically?
参考回答（中文）
长尾问题指发生概率极低但形态无穷、却可能引发事故的边缘场景（如异形车辆、施工锥筒摆放异常、极端天气、罕见交通参与者）。其难点在于无法靠常规数据覆盖。系统应对：一是大规模真实数据采集与挖掘（影子模式回传难例）；二是仿真生成与场景库建设（数字孪生批量造场景）；三是主动学习筛选高价值样本再标注；四是 ODD 限制与降级策略，把未知风险隔离；五是多传感器冗余与安全层兜底。本质是"用数据规模+场景工程+安全冗余"对抗无限长尾。
Reference Answer (EN)
Long-tail/corner cases are rare, infinitely varied, accident-prone scenarios (odd vehicles, abnormal cones, extreme weather). Hard to cover by normal data. Responses: large-scale mining (shadow mode), simulation/scenario libraries (digital twin), active learning to label valuable samples, ODD limits and fallback, multi-sensor redundancy and safety layer. Essence: data scale + scenario engineering + redundancy against infinite tail.
备考提示："影子模式（shadow mode）"与"数字孪生"是应对长尾的两条专业路径。
Q25自动驾驶遇到无法避免的碰撞时，如何做伦理决策？谈谈你对"电车难题"的看法。
EN: Ethical decision under unavoidable collision? Your view on the trolley problem?
参考回答（中文）
"电车难题"在自动驾驶中表现为：当碰撞不可避免时，系统应优先保护谁（乘客/行人/多数/少数）？我的观点：第一，工程上应优先"最小化总伤害"并通过降低碰撞速度、选择最软目标来减损，而非主动牺牲某一类人；第二，伦理不应由个体算法任意决定，而应由法律、标准与公众共识框定，算法只负责在约束内优化安全；第三，最重要的伦理是"通过可靠设计尽量避免陷入两难"——把功夫花在事故前预防而非事故中抉择。伦理决策须透明、可审计，并服从法规。
Reference Answer (EN)
The trolley problem: who to protect when collision is unavoidable? My view: (1) engineer for minimum total harm—reduce speed, choose softest impact, not actively sacrifice a group; (2) ethics shouldn't be left to per-algorithm choice but set by law/standards/public consensus, with the algorithm only optimizing within constraints; (3) the real ethics is preventing the dilemma via reliable design. Decisions must be transparent, auditable, law-abiding.
备考提示：避免给出"牺牲谁"的武断答案，强调"预防优先+合规透明"更显成熟。
Q26大语言模型（LLM）或多模态大模型如何赋能自动驾驶？有哪些落地形态？
EN: How do LLM/multimodal foundation models empower AVs? Deployment forms?
参考回答（中文）
大模型在自动驾驶的赋能主要有四类：一是感知增强，用视觉语言模型（VLM）做开放词汇检测、场景理解与异常识别；二是规划推理，LLM 把自然语言指令/常识推理融入决策（如"前方施工请绕行"语义解析）；三是仿真与数据，自动生成场景描述与训练数据、做闭环评测；四是人车交互，自然语言解释决策、提升可解释性。落地形态包括 DriveGPT 类决策模型、用 LLM 做驾驶评论员（评轨迹合理性）、世界模型（预测未来帧）。挑战在实时性、幻觉与安全验证，目前多作辅助而非独立控车。
Reference Answer (EN)
Foundation models empower AVs via: (1) perception—VLM for open-vocabulary detection, scene understanding; (2) planning—LLM adds commonsense/natural-language reasoning ("detour ahead"); (3) simulation/data—auto-generate scenarios, closed-loop eval; (4) HMI—natural-language explanations. Forms: DriveGPT-like planners, LLM as driving critic, world models. Challenges: latency, hallucination, safety verification—mostly assistive, not sole control.
备考提示："世界模型"和"驾驶评论员（critic）"是 2024 前沿热点，值得准备。
Q27自动驾驶仿真有什么作用？常用仿真平台有哪些？数字孪生在其中如何应用？
EN: Role of AV simulation? Common platforms? How does digital twin apply?
参考回答（中文）
仿真承担"安全、高效、低成本"三大职能：在量产前用海量场景验证逻辑、挖掘长尾、做回归测试，并替代危险的实车试错。常用平台：CARLA、LGSVL、AirSim（开源/研究），以及公司自研如阿里/百度的云仿真；交通级有 SUMO、VISSIM。数字孪生是把真实道路、车流、信号以高保真映射到虚拟世界，实现"虚实联动"——既用于单车算法测试，也用于城市级交通管控与车路协同验证。同济在路径规划仿真与智慧空间数字孪生方向有研究积累，可结合实验室实践作答。
Reference Answer (EN)
Simulation gives safe, efficient, cheap validation: massive scenario testing, long-tail mining, regression—replacing dangerous real trials. Platforms: CARLA, LGSVL, AirSim (research), SUMO/VISSIM (traffic); companies have cloud sims. Digital twin mirrors real roads/traffic/signals at high fidelity for虚实 linkage—for algorithm test and city-scale traffic/V2X validation. Tongji has strengths in planning simulation and smart-space digital twins.
备考提示：若能提到 CARLA 并用过它做实验，实战感会很强。
Q28结合同济特色，谈谈你对"自动驾驶感知算法"或"车辆路径规划仿真"某一实践方向的理解。
EN: With Tongji's strengths, discuss AV perception or path-planning simulation practice.
参考回答（中文）
我更关注"车辆路径规划仿真"这一同济特色方向。其价值在于：真实路测成本高、风险大、难覆盖长尾，仿真可在虚拟环境中批量验证规划器在复杂交通、恶劣天气、通信延迟下的表现。技术栈通常包括：高精地图/场景库构建、交通流建模（SUMO 等）、车辆动力学与感知噪声注入、规划算法（如 MPC、RRT*、博弈决策）集成，以及安全性指标评测。结合同济"智慧空间"与车路云一体化，还可加入 V2X 协同规划，研究路侧信息如何降低规划不确定性。我认为这是把 AI4E（工程智能）落到交通系统的典型路径。
Reference Answer (EN)
I focus on Tongji's strength: path-planning simulation. Real road testing is costly, risky, and can't cover long tails; simulation validates planners under complex traffic, bad weather, comms latency at scale. Stack: HD-map/scenario library, traffic modeling (SUMO), vehicle dynamics + perception-noise injection, planners (MPC, RRT*, game-theoretic), safety metrics. With Tongji's smart-space and vehicle-road-cloud, add V2X cooperative planning to cut uncertainty—a textbook AI4E application to transport.
备考提示：本题直接对标同济特色，建议提前选定一个子方向并准备一段"个人理解"。
Q29自动驾驶落地面临的最大挑战是什么？你认为未来 3–5 年的关键突破点在哪里？
EN: Biggest deployment challenge? Key breakthroughs in 3–5 years?
参考回答（中文）
最大挑战是"安全与泛化的矛盾"：要在开放、长尾、不可预测的真实世界中做到比人更可靠，远比封闭场景难。具体卡点在长尾场景覆盖、功能安全/SOTIF 认证、极端天气与复杂交互。未来突破点：一是端到端+世界模型提升泛化上限；二是车路云一体化用路侧与云补齐单车盲区，降低单车智能难度；三是仿真与自动场景挖掘把验证成本打下来；四是大模型带来常识推理与可解释。我认为"单车智能打底、车路协同扩界、仿真与安全兜底"将是中国方案的主线。
Reference Answer (EN)
Biggest challenge: the safety-vs-generalization conflict—being more reliable than humans in open, long-tail, unpredictable worlds. Bottlenecks: long-tail coverage, SOTIF certification, weather, complex interaction. Breakthroughs: end-to-end + world models for generalization; vehicle-road-cloud to cover blind spots; simulation/scenario mining to cut validation cost; foundation models for commonsense and explainability. China's line: onboard intelligence as base, V2X to extend, simulation/safety as guard.
备考提示：结尾落到"中国方案/同济特色"，既显格局又切题。
Q30如果让你设计一个自动驾驶系统的最小可行方案（MVP）用于校园接驳，你会怎么取舍？
EN: Design a minimal viable AV for campus shuttle—what trade-offs?
参考回答（中文）
我会做"限定场景优先安全"的取舍。场景上限定低速（≤30km/h）、固定路线、封闭园区，大幅降低感知与决策复杂度。传感器用"激光雷达+摄像头+毫米波+GNSS/IMU"保证冗余；算法上感知用成熟检测跟踪，规划用规则+轻量优化（如 MPC）而非端到端，便于认证。通信上加 V2I 路侧单元做超视距预警。安全上设多级降级：异常即靠边停车。验证靠仿真+小规模实车迭代。核心思想：用"场景约束"换"可靠性"，先在小域做到可信，再逐步扩展 ODD——这与同济"智能网联车辆"渐进落地思路一致。
Reference Answer (EN)
Trade-off: constrain scenario for safety. Limit to low speed (≤30km/h), fixed route, closed campus—slashing perception/decision complexity. Sensors: LiDAR+camera+radar+GNSS/IMU for redundancy; algorithms: mature detection+tracking, rule-based + light MPC (not end-to-end) for certifiability; add V2I for beyond-line-of-sight warning; multi-level fallback (pull over on anomaly); validate via sim + small-scale real iteration. Idea: buy reliability with scenario constraints, expand ODD gradually—matches Tongji's incremental智能网联 approach.
备考提示：用"限定 ODD 换可靠性"的思路作答，体现工程权衡思维。
D. 本方向自我介绍定制建议
1. 锚定"AI4E + 交通"交叉身份：同济以工程智能为突破口，自我介绍应突出你"用 AI 解决交通/车辆问题"的志趣，而非泛泛谈 AI，例如点明对感知算法或路径规划仿真的具体兴趣。
2. 用项目/课程证据支撑：若有 Python、PyTorch、ROS、CARLA 或参加过智能车竞赛、数学建模，务必量化成果（如"用 YOLO 做过目标检测""跑通过 CARLA 仿真"），比空谈兴趣更有说服力。
3. 主动贴合导师方向：提前查阅电子与信息工程学院自动驾驶/智能网联相关导师的研究方向（感知、激光雷达建模、路径规划、V2X），在自我介绍中自然呼应，展现"已做功课"。
4. 准备一段"同济特色"陈述：可提及自主智能无人系统前沿科学中心、上海人工智能实验室合作、工程智能战略或智能网联车辆/智慧空间，表明你理解并认同本校培养路径。
5. 暴露可控的"成长点"：诚实说明当前短板（如控制理论、车辆动力学基础薄弱）并给出学习计划，反而比假装全才更得导师信任；同时准备一个你想深入研究的开放问题（如端到端安全验证）作为追问钩子。
本站为独立信息整理平台，并非学校招生官网，未获学校招生代理授权。招生要求与时间以学校官方最新通知为准。
二次选拔
二次选拔