卡尔动力预测算法一二面

卡尔动力二面相隔的时间很长，而且都没有手撕，面试官都非常好，探讨了许多开放性的问题，学习到了很多，就是似乎不往下推进了
一面09.03
1.  模型的泛化能力是如何评估的？效果如何？
2.  持续学习的现实意义，应用场景
3.  主动学习
4.  车辆的尾灯信息的利用
5.  预测和规划接口的设计，多模态的承接能力
6.  轨迹和意图是对应的吗？
7.  上游发了两条轨迹，下游是同等的使用，那么这两条轨迹有没有什么意义，区别呢？
8.   waymo交互预测
9.   AI-Planner数据的来源 
10.  基于规则系统提供真值是否合理
反问：
1.  在卡车1带多的业务模式下，轨迹预测与普通的会有什么区别吗？
2.  AI-Planner的情况
二面09.20
1. scene-centric精度差的原因？以及可以优化的地方？
2. sceneTransformer
3. 交互，一致性预测GameFormer如何做的？
4. 优化目标和评价指标本身需要那些改动？
5. 在scene-centric的情况下，如何提升agent-wise的指标，即单个agent的minADE与minFDE
6. 损失的设计方式，拉普拉斯分布或则高斯分布的损失设计区别
7. 预测和规划如何更好的去做协作，下游需要什么形式的多模态的定义
8. 多模态有哪些类型？
9. 下游如何更好的去使用这些多模态的信息？
10. 基于规则已经能够解决的话，需要用模型去解决什么问题呢？
11. 直接输出一条替代完整planning系统的轨迹存在问题，那这个问题可能是什么造成的呢？可以从哪些方面去做优化呢？
反问：
1. 预测和决策如何联合的？
#你都收到了哪些公司的感谢信？##自动驾驶##卡尔动力#