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》
- 请简单做个自我介绍。
- 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?
- 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?
- 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?
- 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?
- 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?
- 简单介绍你的求学经历,本科就读院校?
- 考研为什么选择这个学校?
- 求职会不会限制地域,选择公司重点考量哪些因素?
- 投递岗位方向,意向行业有哪些?
- 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?
- 你未来的技术发展方向是什么?
- 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?
- 多端联合调试时,如何提前做好准备,减轻现场调试工作量?
- 除技术开发以外,还有哪些个人经历,对自己有怎样的要求?
- 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?
- 在 B 站分享技术内容,你收获了什么?
- 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。