一、填空題（每空3分，共30分）

1.智能網聯汽車技術路線主要分為基于（）的自主式路線和基于（）

的網聯式技術路線兩種。

答案：傳感器，車輛互聯

題FI解析：考察學生對智能網聯汽車技術路線的理解情況，為重點題

2.先進駕駛輔助系統的英文縮寫是（）。

答案:ADAS

題目解析：考察學生對先進駕駛輔助系統基本概念的理解情況，為重點題

3.自主式技術路線的推動者是（），網聯式技術路線的推動者是（

）,這類企業重點開發（）系統。

答案：傳統汽車整車企業，互聯網企業，車載信息

題FI解析：考察學生對智能網聯汽車技術路線的理解情況，為重點題

4.實現V2V、V2I之間的實時通信，需要使用（）技術。

答案：無線通信

題目解析：考察學生對網聯式技術路線的理解情況，為重點題

5.云平臺與大數據技術包括云平臺架構與數據交互標準，（），數據高效存儲

和（），大數據關聯分析和（）等。

答案：云操作系統，檢索技術，深度挖掘技術

題目解析：考察學生對云平臺與大數據技術的理解情況，為重點題

二、選擇題（每題3分，共24分）

1.除了使用先進的傳感器，以下哪一項不屬于形成先進駕駛輔助系統的組成（）。

A.驅動器

B.控制單元

C.軟件

D.互聯網

答案：D

題目解析：考察學生對先進駕駛輔助系統的組合理解情況，為重點題

2.下列不屬于環境感知系統的是（）。

A.攝像頭

B.雷達

C.深度學習

D.超聲波

答案：C

題FI解析：考察學生對環境感知系統的理解情況，為重點題

3.當前感知技術在檢測與識別精度方面無法滿足自動駕駛發展需要，（）被證明在復雜

環境感知方面有巨大優勢。

A.深度學習

B.多目攝像頭

C.雷達

D.超聲波

答案：A

題目解析：考察學生對環境感知技術的理解情況，為重點題

4.以下決策方法中具有高可讀性的是（）。

A.狀態機

B.決策樹

C.深度學習

D.增強學習

答案：A

題目解析：考察學生對智能決策技術的理解情況，為重點題

5.控制系統的任務是控制（），使其跟蹤規劃的速度曲線與路徑。

A.車輛的轉速與行駛方向

B.車輛的速度與行駛方向

C.車輛的速度與油耗

D.車輛的行駛方向與油耗

答案：B

題目解析：考察學生對控制執行技術的理解情況，為重點題

6.控制器的工況適應性可根據（）進行適應性設計。

A.工況參數

B.傳感器參數

C.通信技術

D.云操作系統

答案：A

題目解析：考察學生對控制執行技術的理解情況，為重點題

7.采用4G/5G技術進行車載長距離無線通信的是（）。

A.車內通信

B.車際通信

C.廣域通信

D.衛星通信

答案：C

題目解析：考察學生對V2X通信技術的理解情況，為重點題

8.結合智能網聯汽車發展實際，確定網聯數據管理對象并實行分級管理，建立三維度數據

安全體系，以下哪一項不屬于數據安全體系范疇（）。

A.存儲安全

B.網絡安全

C.傳輸安全

D.應用安全

答案：B

題目解析：考察學生對信息安全技術的理解情況，為重點題

三、判斷題（每即3分，共24分）

1.自主式技術路線難以實現V2V、V2I之間的通信，網聯式技術路線無法實現車輛與行人

（V2P）之間的通信。

答案：對

題目解析：考察學生對智能網聯汽車關鍵技術的理解情況，為難點題

2.自主式技術路線已經能提供駕駛員不同程度的輔助功能，并且能夠提供完整的無人駕駛

體驗。

答案：錯

題FI解析：考察學生對自主式技術路線的理解情況，為難點題

3.奔馳、寶馬、通用、福特等車企主推的是網聯式技術路線。

答案：錯

題目解析：考察學生對智能網聯汽車技術路線推動的理解情況，為難點題

4.自主式技術路線對道路基礎設施的要求較高。

答案：錯

題目解析：考察學生對智能網聯汽車關健技術路線的理解情況，為難點題

5.對于智能網聯汽車，自主式和網聯式將走向技術融合，通過優勢互補，提供安全性更好、

自動化程度更高、使用成本更低的解決方案。

答案：對

題目解析：考察學生對智能網聯汽車關鍵技術路線的理解情況，為難點題

6.環境感知技術、高精度地圖、定位都是車輛獲得周邊環境信息的重要來源。

答案：對

題目解析：考察學生對環境感知技術的理解情況，為難點題

7.環境感知與平臺技術的應用，極大提高了車輛對于交通與環境的感知范圍，為基于云控

平臺的汽車節能技術的研發提供了支撐條件。

答案：錯

題目解析：考察學生對V2X通信技術的理解情況，為難點題

8.V2X通信技術是智能網聯汽車的基礎。

答案：錯

題目解析：考察學生對智能網聯汽車技術的理解情況，為難點題

四、簡答題（22分）

1.請簡要說明智能決策技術中各決策方法的優缺點。（12分）

答案：狀態機是用有向圖表示決策機制，具有高可讀性，能清楚表達狀態間的邏輯關系，但

需要人工設計，不易保證狀態復雜時的性能。決策樹是一種廣泛使用的分類器，具有可讀的

結構，同時可以通過樣本數據的訓練來建立，但是有過擬合的傾向，需要廣泛的數據訓練。

效果與狀態機類似，在部分工況的自動駕駛上應用。深度學習與增強學習在處理自動駕駛決

策方面，能通過大量的學習實現對復雜工況的決