多模态感知融合策略如何选型
哪些公司问过
答案要点
- 数据级(前融合):信息最全,对同步、标定要求高、数据量大
- 特征级:各模态提特征后融合,如BEV或注意力融合,常见折中方案
- 决策级(后融合):结果层关联加权,模块化、易降级,但信息损失大
- 选型依据:传感器互补性、标定同步条件、算力和延迟、数据与标注、失效降级需求
- 实践:资源受限先用后融合,算力和数据充足再上特征级融合
易错点
- 前融合时忽略时间同步和外参误差,融合效果反而下降
- 只谈精度,不考虑端侧算力和延迟预算
面试官常见追问
- 某个传感器失效时如何保证系统可用?
- 为什么 BEV 适合做多模态融合?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。