面灵AI→

图为电气二面:多目标跟踪、跨设备标识与边缘部署

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 请简单做个自我介绍。
  2. 讲讲你作为项目负责人的校企合作边缘计算项目,你的主要工作是什么?
  3. 作为项目负责人,对内团队管理、对外客户对接分别承担哪些工作?
  4. 项目里多目标跟踪场景下,跨设备跟踪的核心难点是什么,怎么解决目标标识跳变问题?
  5. 单设备目标跟踪会受哪些现场环境干扰,如何完成模型优化与轻量化部署到边缘硬件?
  6. 目标对象的全局数据结构包含哪些信息,各自起到什么作用?
  7. 简单介绍你的求学经历,本科就读院校?
  8. 考研为什么选择这个学校?
  9. 求职会不会限制地域,选择公司重点考量哪些因素?
  10. 投递岗位方向,意向行业有哪些?
  11. 本科竞赛类项目和研究生企业落地项目,开发模式有什么区别?
  12. 你未来的技术发展方向是什么?
  13. 团队协作过程中遇到组员进度不一致的冲突,你是怎么处理的?
  14. 多端联合调试时,如何提前做好准备,减轻现场调试工作量?
  15. 除技术开发以外,还有哪些个人经历,对自己有怎样的要求?
  16. 你怎么看待嵌入式软件开发这个岗位,为什么选择这个方向?
  17. 在 B 站分享技术内容,你收获了什么?
  18. 你还有什么想问我们的?

《参考解析》

跨设备跟踪与标识跳变:单摄像头内的跟踪靠运动预测(卡尔曼滤波)与外观特征的匹配,跨设备则失去连续的帧间信息,必须依赖重识别(ReID)。难点有三:不同相机视角、光照、分辨率导致同一目标的外观特征分布不一致;目标从一个视野消失到进入下一个视野之间存在时间空窗;遮挡与并排行走会造成特征混淆。工程解法是「时空约束 + 外观特征」联合匹配:用相机标定与地理关系建立视野间的可达区域和迁移时间窗,只在合理时间窗内做候选匹配;外观特征用 ReID 模型提取 embedding,做余弦距离匹配并设阈值;对高置信匹配才更新全局 ID,低置信先挂起,等更多帧确认。标识跳变(ID switch)的评价指标是 MOTA、IDF1 与 ID switch 次数,优化时要在「少跳变」与「少漏跟」之间取舍。

现场干扰与边缘部署:单设备跟踪的干扰包括光照突变、逆光、雨雾、目标遮挡、相似着装、相机抖动。模型侧用数据增强覆盖这些场景,检测器与 ReID 分开训练,跟踪器加运动模型抑制抖动;部署侧做轻量化:剪枝、蒸馏、INT8 量化、算子融合,导出 ONNX 后编译为 TensorRT 引擎,按边缘设备的算力选择输入分辨率与批大小,用多流并行(解码、预处理、推理、后处理分线程)把各段流水起来。要给出可验证的数字:原始模型多少毫秒、量化后多少毫秒、精度掉了几个点、采取了什么补偿(量化感知训练、保留敏感层为 FP16)。

全局数据结构:一条目标记录通常包含全局 ID、当前与历史的位置(世界坐标或各相机坐标)、时间戳、外观特征向量、状态(活跃、丢失、已注销)、置信度、来源相机、轨迹片段。作用是支撑匹配(特征与时空)、生命周期管理(超时注销)、业务查询(轨迹回放、越界统计)与调试(回溯为何发生 ID 切换)。设计上要注意特征向量的更新策略(滑动平均还是保留多帧)、内存上限(长时间运行要淘汰旧轨迹)与并发访问(多路相机线程写入)。

项目负责人怎么讲:对内是拆任务、定接口、控进度、做 code review 与联调;对外是需求确认、验收标准、现场问题响应。回答要落到具体动作与结果,例如「把检测与跟踪拆成两个可独立验证的模块,约定数据格式,使两组人能并行开发,联调时间从两周降到三天」。被问冲突处理时讲一次真实的分歧:先对齐目标与验收标准,再把方案拆成可对比的实验,用数据决定,而不是靠职位压人。

竞赛项目与企业落地项目的差别:竞赛以指标为先,数据干净、周期短、允许反复试错;企业项目要交付、要可维护、要考虑现场环境、成本与售后,指标之外还有稳定性、可观测性与文档。回答时说明自己在两种模式下分别学到什么,以及落地项目里被迫做的取舍(例如为了实时性牺牲一点精度)。

求职意向类问题:地域、行业、岗位认知要给出有依据的选择,而不是「都可以」。谈嵌入式岗位时讲清它与你做过的事的连接:资源受限下的取舍、软硬结合、现场问题定位。B 站分享的收获落到「把做过的事讲清楚迫使自己补全原理、也从评论里发现问题」,比说「提升了表达能力」具体。