📚 课程目录第4章视觉SLAM核心算法面试题

4. 视觉SLAM核心算法面试题

本章聚焦面试中最高频的五个算法模块：ORB特征、三角化、PnP、BA、回环检测。每个算法不仅考察原理，更关注工程实现中的难点与优化思路。以下用一张回答框架图梳理各算法的标准回答路径，随后通过3个典型问答卡片展示实战话术。

面试框架指引： 回答每个算法时按“原理 → 核心难点 → 方案对比 → 工程优化”四步走，不易遗漏。SVG图中的连线即典型追问方向。

面试问题	ORB特征相比SIFT和SURF为什么更快？它是如何实现旋转不变性的？
考察点	特征提取原理、计算效率对比、二进制描述子的设计思想、BRIEF描述子的旋转补偿方法。
回答框架	1) ORB用FAST角点+改进的BRIEF描述子，避免高斯金字塔；2) 旋转不变性通过灰度质心法算主方向，将BRIEF采样模式旋转对齐；3) 计算开销远小于SIFT的高斯差分和SURF的Hessian矩阵。
示例回答	“ORB采用FAST检测角点，无尺度空间，速度极快；旋转不变性用灰度质心法计算特征点主方向，然后根据主方向旋转BRIEF的采样点对，生成旋转不变的二进制描述子，而SIFT需要构建高斯金字塔和计算梯度直方图，因此ORB快很多。”
可能追问	ORB的尺度不变性如何实现？（答：构建图像金字塔）与SIFT尺度不变性相比有什么局限？你在项目中如何选择特征？
避坑提醒	不要只说“ORB快”而不量化说明；更不要混淆BRIEF和ORB的概念。务必提到灰度质心法计算主方向。

面试问题	纯旋转运动下三角化为什么会失效？有哪些常见的解决方法？
考察点	对极几何约束的理解、退化条件分析、线性三角化方法(SVD)、多视图几何知识。
回答框架	1) 纯旋转时基线为零，对极几何退化为单应变换，深度信息丢失；2) 解法：利用多帧、增加基线、或用运动恢复结构(SfM)策略初始化；3) 实践中检测退化并切换算法。
示例回答	“纯旋转时平移向量t为零，对极约束变为单应矩阵，无法通过视差恢复深度。线性三角化SVD会解出退化结果。通常做法是：检测两帧之间T的模长是否过小，若退化则推迟三角化或融合后续帧数据，比如使用多视角三角化或深度滤波器。”
可能追问	SVD三角化具体如何建立方程？讲讲齐次坐标和DLT解法？深度滤波器(如SVO中的等值线滤波)如何工作？
避坑提醒	不要只答“纯旋转无法三角化”，必须说明原因（基线为零）并给出工程应对方案。提到“单应矩阵”是加分项。

面试问题	BA优化中为什么常用Schur消元？回环检测如何与BA结合以消除累积误差？
考察点	BA的稀疏结构、Schur消元原理、回环检测的图优化模型、Sim3位姿图优化。
回答框架	1) BA的Hessian矩阵具有稀疏块结构，Schur消元先消去路标点变量，只优化相机位姿，降低维度；2) 回环检测通过词袋匹配找到闭环帧，构建位姿约束（Sim3），加入图优化中进行全局BA，消除漂移。
示例回答	“BA中相机位姿和路标点间稀疏，使用Schur消元先消去路标点，只优化位姿参数，大幅减少计算量；回环检测时，通过词袋模型找到相似帧，用Sim3计算相对位姿，作为约束加入全局BA，经过一次或多次迭代优化，有效消除累积漂移。”
可能追问	为什么回环检测要用Sim3而不是SE3？回环检测假阳性如何处理？（RANSAC+几何校验）增量式BA与全局BA适用场景？
避坑提醒	注意区分局部BA和全局BA。回环检测后需先进行Sim3几何验证，不能仅靠词袋得分就加入优化。

本章复习提示： 面试中常将三角化、PnP、BA串联提问（例如：“给定两帧特征匹配，如何恢复位姿和3D点”），建议在回答中自然引出完整流程：匹配→基础矩阵/E矩阵→三角化→PnP→BA。可参考本章回答框架图组织语言。