4. 模拟面试清单与准备策略

面试问题：请解释卡尔曼滤波在机器人定位中的应用，并手写预测更新公式。

面试官考察点：①对贝叶斯滤波体系的理解；②能否直观解释状态预测与观测更新；③公式推导严谨性。

回答框架：

1. 先定性：卡尔曼滤波用于高斯线性系统的最优状态估计。
2. 分两步：预测（先验）→更新（后验），给出公式。
3. 结合定位场景：预测 → 里程计推算，更新 → 激光/视觉观测。
4. 点出卡尔曼增益的作用：权衡预测与观测的不确定性。

简短示例回答：“卡尔曼滤波假设系统线性且噪声高斯，通过预测与观测两步融合。预测：x̂⁻ = A·x̂ + Bu，P⁻ = A·P·Aᵀ+Q。更新：K = P⁻·Hᵀ/(H·P⁻·Hᵀ+R)，x̂ = x̂⁻ + K·(z−H·x̂⁻)，P=(I−K·H)·P⁻。在机器人定位中，我用它融合轮式里程计和激光雷达观测，有效抑制累计漂移。”

可能追问：①如何处理非线性系统（EKF/UKF）？②初始化协方差如何设定？③当观测缺失时的处理策略？

面试问题：手写A*路径规划算法，并说明如何优化搜索效率。

面试官考察点：①对启发式搜索的理解；②数据结构选用（open/close表）；③实际工程优化经验。

回答框架：

1. 定义节点状态：g(n)实际代价，h(n)启发式估计，f(n)=g+h。
2. 伪代码：初始化open和close → 取f最小节点 → 扩展邻居 → 更新g值 → 目标结束。
3. 常见优化：使用二叉堆（priority queue）维护open；动态加权启发式；跳点搜索（JPS）。

简短示例回答：“A*通过维护open和close集，每次选择f(n)=g(n)+h(n)最小的节点扩展。我用二叉堆（优先级队列）实现open表，每次弹出O(logN)。当h是曼哈顿距离且满足可采纳性时，保证最优解。在仓库机器人项目中，还采用了跳点搜索（JPS），利用对称性剪枝，使扩展节点减少约40%。”

可能追问：①如何选择启发式函数？②如果地图动态变化怎么办（D* Lite）？③A*与Dijkstra的区别与联系？

面试问题：机器人运动学逆解存在多解，请分析原因并给出工程选择策略。

面试官考察点：①对机器人构型的理解（如6轴工业机器人）；②多解产生根源（关节角度组合）；③实际避奇异与选优策略。

回答框架：

1. 原因：逆运动学方程非线性导致多组关节角满足同一末端位姿。
2. 分类：腕部翻转、肘部上下、手臂左右等构型引起多解。
3. 工程策略：选择关节角度最接近当前值的解（最小关节运动）；避开奇异区域；加入关节限位检查。
4. 实现：解析逆解时列出所有可能解，按代价函数排序。

简短示例回答：“以6R工业机器人为例，肩关节和肘关节各有两种构型，导致最多8组解。工程上我会计算每组解的关节角度变化量△θ，加上关节限位惩罚项，选择代价最小的解。同时检测雅可比矩阵条件数判断是否靠近奇异，若奇异则切换到阻尼最小二乘法（DLS）平滑规避。”

可能追问：①雅可比伪逆法与解析逆解的区别？②数值迭代法（比如牛顿法）适用场景？③如何处理冗余自由度机器人？