数学基础：线性代数、微积分、概率论与优化理论在规控算法中的必备知识点及典型面试题

规控算法（规划与控制）是自动驾驶、机器人、无人机等智能系统的核心决策引擎。无论是路径规划中的状态空间搜索、轨迹生成中的多项式拟合，还是控制中的状态反馈与最优调节，其底层逻辑均由数学工具支撑。面试官考察数学基础，并非要求候选人背诵公式，而是检验其能否将数学概念映射到工程问题的建模、求解与调试中。本章将围绕线性代数、微积分、概率论与优化理论四大模块，梳理必备知识点、典型面试题及实战拆解，帮助候选人建立“数学—算法—工程”的完整链路。

2.1 线性代数：状态空间、坐标变换与矩阵分解

核心原理

线性代数是规控算法的“语法”。车辆或机器人的位姿（位置+姿态）通常用向量表示，而旋转、缩放、平移等操作通过矩阵乘法完成。在控制理论中，连续时间系统状态方程 ẋ = Ax + Bu 与离散时间形式 x_{k+1} = A_d x_k + B_d u_k 直接依赖矩阵运算。此外，协方差矩阵的更新（卡尔曼滤波）、惯性张量的变换、机械臂雅可比矩阵等，均属于线性代数的直接应用。面试中常见的考点包括：矩阵的秩与可逆性、特征值与特征向量的物理意义（如系统稳定性分析中的极点配置）、SVD分解在最小二乘与伪逆求解中的作用。

判断方法或操作流程

面对线性代数相关面试题，建议按以下流程思考：第一步，明确问题属于“表示”（坐标变换）、“求解”（线性方程组）还是“分析”（特征值/稳定性）。第二步，选择合适工具：若涉及旋转，优先考虑旋转矩阵或四元数；若涉及最小二乘，考虑正规方程或SVD；若涉及系统稳定性，计算特征值实部。第三步，验证数值稳定性，例如矩阵是否病态（条件数过大），是否需要正则化。

案例拆解或实战场景

某自动驾驶公司面试题：“已知IMU安装在车辆后轴中心前方1.5米、上方0.3米处，车辆当前位姿为 (x=10, y=5, θ=30°)，IMU测得的加速度为 (a_x=2.0 m/s², a_y=0.5 m/s²)。请将IMU加速度转换到车体坐标系原点处。” 此题的约束是：IMU与车体存在固定杆臂（lever arm），且车体存在旋转。解答步骤：① 构建IMU到车体原点的平移向量 t = [1.5, 0.3]^T（在车体坐标系下）；② 由于车体旋转角θ，需将IMU加速度先旋转到车体坐标系（若IMU本身与车体固连，则无需旋转，直接减去杆臂引起的向心加速度和角加速度项）；③ 实际工程中还需考虑角速度ω的影响，公式为 a_origin = a_imu - ω × (ω × r) - α × r。该题考察了刚体动力学与坐标变换的综合应用，候选人需明确区分“点的速度/加速度”与“刚体坐标系的加速度”。

常见误区或总结复盘

• 误区一：认为矩阵乘法满足交换律。实际中 R1 * R2 ≠ R2 * R1，旋转顺序至关重要。
• 误区二：忽略数值稳定性。当矩阵接近奇异时，直接求逆会导致巨大误差，应使用SVD或伪逆。
• 误区三：混淆“坐标系变换”与“向量变换”。前者是改变参考系，后者是同一坐标系下的旋转。

2.2 微积分：梯度、雅可比与轨迹平滑

核心原理

微积分在规控中无处不在：轨迹规划需要计算曲线的曲率（二阶导数）、速度与加速度（一阶/二阶导数）；最优控制需要求解目标函数对控制量的梯度；状态估计中的雅可比矩阵用于线性化非线性系统（扩展卡尔曼滤波）。面试官常通过考察“泰勒展开”“链式法则”“积分在路径长度计算中的应用”来评估候选人的数学直觉。

判断方法或操作流程

当遇到微积分相关问题时，先判断是“求导”还是“积分”问题。求导问题中，若涉及多元函数，需计算梯度或雅可比矩阵；若涉及约束优化，则需引入拉格朗日乘子。积分问题常见于路径长度、曲率变化率或能量消耗的计算。例如，计算三次样条轨迹的总长度，需要对 sqrt(1 + (dy/dx)^2) 进行数值积分。

// 伪代码：计算路径长度（数值积分）
double path_length = 0;
for (int i = 0; i < N-1; i++) {
    double dx = x[i+1] - x[i];
    double dy = y[i+1] - y[i];
    path_length += sqrt(dx*dx + dy*dy);
}

案例拆解或实战场景

在轨迹优化中，常使用“最小化 jerk（加加速度）”来生成平滑轨迹。假设一维轨迹 s(t) 是五次多项式，其 jerk 为 s'''(t)。目标函数为 J = ∫ (s'''(t))² dt。通过变分法或直接参数化求解，可以得到闭式解。面试题可能为：“为什么最小化 jerk 能提高乘坐舒适性？” 答案要点：jerk 对应加速度的变化率，过大的 jerk 会引起人体不适；最小化 jerk 的平方积分等价于抑制高频分量，使轨迹更平滑。进一步追问：“如何用数值方法求解该优化问题？” 可回答：将轨迹离散化为多个时间步，用有限差分近似三阶导数，转化为二次规划（QP）问题。

常见误区或总结复盘

• 误区一：忽略边界条件。例如，求解五次多项式轨迹时，需同时满足位置、速度、加速度的边界条件（共6个约束），才能唯一确定系数。
• 误区二：混淆“梯度下降”与“牛顿法”。前者只用一阶导数，后者需计算Hessian矩阵，收敛更快但计算代价高。
• 误区三：在离散系统中直接使用连续导数公式，导致采样时间影响结果。应使用离散化方法（如欧拉法或龙格-库塔法）。

2.3 概率论：状态估计与不确定性建模

核心原理

规控系统必须处理传感器噪声、模型误差和动态环境的不确定性。概率论提供了描述和融合不确定性的框架。核心概念包括：高斯分布（均值与协方差）、条件概率与贝叶斯公式、最大似然估计（MLE）与最大后验估计（MAP）。在工程中，卡尔曼滤波（KF）和粒子滤波是状态估计的两大支柱。面试题常围绕“高斯分布的乘积”“协方差矩阵的物理意义”“为什么卡尔曼滤波假设噪声为高斯分布”展开。

判断方法或操作流程

面对概率题，先判断是“正向概率”（给定模型求概率）还是“逆概率”（给定观测求状态）。逆概率问题通常用贝叶斯公式：P(x|z) = P(z|x) * P(x) / P(z)。在连续空间中，若先验和似然均为高斯分布，则后验也是高斯分布，且均值和协方差有闭式解。此性质是卡尔曼滤波的基础。

案例拆解或实战场景

经典面试题：“两个传感器测量同一物体的位置，传感器A的噪声方差为σ₁²=0.1，传感器B的噪声方差为σ₂²=0.4，测量值分别为z₁=10.2m，z₂=10.8m。求最优融合估计。” 解答：利用加权平均，权重与方差成反比。最优估计 x_hat = (σ₂²/(σ₁²+σ₂²)) * z₁ + (σ₁²/(σ₁²+σ₂²)) * z₂ = (0.4/0.5)*10.2 + (0.1/0.5)*10.8 = 8.16 + 2.16 = 10.32m。此结果与卡尔曼滤波的更新公式一致。进一步追问：“若两个传感器相关，如何处理？” 需引入协方差矩阵，使用向量形式的卡尔曼增益。

常见误区或总结复盘

• 误区一：混淆“概率”与“概率密度”。连续变量的概率密度可大于1，概率是密度在区间上的积分。
• 误区二：忽略独立性假设。卡尔曼滤波要求过程噪声和测量噪声不相关，若实际相关需使用扩展形式。
• 误区三：在非线性系统中直接使用标准KF。应使用EKF（线性化）或UKF（无迹变换），否则滤波发散。

2.4 优化理论：凸优化、MPC与KKT条件

核心原理

规控中的轨迹生成、路径规划、参数标定等问题均可转化为优化问题。优化理论的核心是目标函数、约束条件和求解算法。凸优化因具有全局最优解且求解高效，成为工程首选。模型预测控制（MPC）本质是求解带约束的有限时域最优控制问题，其底层常为二次规划（QP）或非线性规划（NLP）。面试中常考察：如何判断问题是否为凸问题？KKT条件是什么？如何处理不等式约束？

判断方法或操作流程

判断优化问题是否为凸，需检查：① 目标函数是否为凸函数（Hessian矩阵半正定）；② 等式约束是否为仿射函数；③ 不等式约束是否为凸函数。若满足，则可用内点法或梯度法高效求解。对于非凸问题（如避障中的碰撞约束），常用方法包括：凸近似（线性化）、混合整数规划（MIP）或采样+局部优化。

// MPC的典型QP形式
min  Σ (x_k - x_ref)^T Q (x_k - x_ref) + u_k^T R u_k
s.t. x_{k+1} = A x_k + B u_k
     u_min ≤ u_k ≤ u_max
     x_min ≤ x_k ≤ x_max

案例拆解或实战场景

以自动驾驶的轨迹跟踪MPC为例：车辆模型为自行车模型，状态量为位置、航向角、速度，控制量为前轮转角与加速度。目标函数包含跟踪误差和控制能量。约束包括转向角限幅、加速度限幅以及避障（将障碍物表示为线性不等式约束）。面试题：“MPC的预测时域N如何选择？” 答案：N过小会导致控制过于短视，N过大会增加计算量且可能使系统不稳定。通常根据车辆速度与系统响应时间确定，例如在高速场景N=20~30，低速场景N=10~15。进一步追问：“如何保证MPC的实时性？” 可回答：采用显式MPC（离线计算分区）、使用高效QP求解器（如OSQP）、或缩短预测时域并采用多线程计算。

常见误区或总结复盘

• 误区一：将非凸问题当作凸问题求解，导致陷入局部最优。例如，避障约束通常是非凸的，需特殊处理。
• 误区二：忽略约束的可行性。MPC中若约束过紧，可能导致无解，需引入松弛变量（软约束）。
• 误区三：混淆“最优控制”与“优化”。最优控制是动态优化，需考虑状态转移，而静态优化仅针对决策变量。

2.5 综合复盘：数学基础在规控面试中的考察逻辑

规控算法岗位的数学面试，通常不会孤立地考公式，而是将数学嵌入到具体场景中。例如，给出一个车辆运动模型，要求设计LQR控制器（线性代数+微积分）；或给出GPS与IMU的融合问题（概率论+线性代数）；或要求优化一条经过多个路径点的轨迹（优化理论+微积分）。候选人应具备“数学翻译”能力：将工程问题转化为数学表达式，再选择合适的工具求解。建议在准备时，将每个数学概念与至少一个规控算法关联，并亲手推导关键公式（如卡尔曼增益推导、LQR的Riccati方程）。

最后，提醒候选人注意数学表达的严谨性。面试中写出公式后，务必解释每个符号的物理含义，并说明数值计算时的注意事项（如矩阵病态、浮点误差）。这种“数学+工程”的双重视角，正是面试官最看重的核心能力。