第4章 感知算法基础面试：SLAM、点云处理、目标检测高频问题
本章聚焦：针对 SLAM、点云处理、目标检测三大方向的面试高频问题，拆解考官心理、构建回答框架，并附真实项目案例模板，帮助你在面试中展现技术深度与工程思维。
面试高频问题分类一览
| 方向 | 典型问题 | 回答核心 | 加分项 |
|---|---|---|---|
| SLAM | 后端优化为何选择图优化而非滤波？ | 历史信息重复利用、稀疏性、精度 | 能画出因子图、解释边缘化 |
| 点云处理 | 点云配准中 ICP 的局限与改进？ | 初值敏感、离群点、局部最优 | 引用 NDT、PointNet 结合方案 |
| 目标检测 | 小目标检测难点及改进策略？ | 特征消失、锚框设计、多尺度融合 | 提及 FPN、注意力机制 |
面试问答卡片
卡片1：SLAM 后端优化为什么选择图优化而非滤波？
考察点：对 SLAM 核心方法论演变的理解；是否从计算效率、一致性、长期可扩展性等角度分析。
回答框架：
- 指出问题本质是状态估计范式选择
- 解释滤波（EKF）只能维护一阶矩/协方差，历史信息被丢弃
- 图优化利用稀疏性可处理大规模约束、修正历史误差
- 给出典型对比表格
- 扩展：现代 SLAM 也有滤波（MSCKF）用于实时性
示例回答：滤波仅保留当前状态与协方差，无法利用历史重定位信息；图优化将位姿建图，通过非线性最小二乘联合优化，具有全局一致性。尤其在闭环检测后，图优化可修正全部累计误差，滤波则难以纠正。近年来两者也融合，如 VINS-Mono 使用滑窗+边缘化。
可能追问：
• 边缘化与 Schur 补的关系？
• 如何保证图优化的实时性（信息矩阵稀疏性处理）？
• 为什么 ORB-SLAM3 用图优化而 DSO 用滑窗？
卡片2：点云配准中 ICP 的局限与改进方案？
考察点：是否理解 ICP 假设（点对点对应）、对初值敏感性的认识、实际工程折中。
回答框架：
- 指出 ICP 核心：最小化最近点距离
- 三个局限：初值依赖、离群点干扰、局部最优
- 改进方案（按阶段）：粗配准 + 精配准、变体（Point-to-Plane、PL-ICP）
- 提及学习法：DirectPointNet、参考 PointNetLK
- 实际工程中常用初始化 + 多尺度 ICP
示例回答：ICP 依赖良好初值，否则陷入局部极值。改进可采用 NDT 进行粗配准，再用 ICP 精化；或改用 Point-to-Plane 损失，提升平面场景精度。离群点可通过剔除距离过大的点对或使用 Huber 核函数处理。工业中常结合 IMU 提供初值，将 ICP 作为帧到地图匹配。
可能追问：
• 如何评价 NDT 对体素大小的敏感性？
• 在动态场景中点云配准如何保证鲁棒性？
• 基于学习的配准如何克服传统 ICP 的不足？
卡片3：小目标检测的难点及常见改进方法？
考察点：是否关注模型尺度敏感性、数据增强、多尺度融合等工程细节。
回答框架：
- 指出小目标特征少、anchor 匹配困难、FPN 不足
- 改进方向：多尺度特征（FPN、BiFPN）、数据增强（Mosaic、Copy-Paste）
- 特殊设计：小目标专用 anchor、注意力机制（CBAM）
- 检测头改进：解耦头、GFL 等
- 扩展：从 2D 到 3D 点云小目标检测的差异性
示例回答：小目标像素少，特征在下采样中丢失。常用改进：引入 FPN 及 PANet 增强浅层特征传递；采用 AutoAugment 复制小目标样本；使用 GFL 解决边界模糊问题。本人曾在项目中降低 FPN 最小尺度（从 P2 开始）并增加小目标 anchor 数量，mAP 提升 3.2%。
可能追问：
• 为什么 Transformer 检测器在小目标上比 CNN 有优势？
• 如何平衡小目标和大目标的损失权重？
• 在激光雷达点云中，小目标检测有何不同？
项目案例：多传感器融合 SLAM 系统（激光+视觉+IMU）
项目名称：室内 AGV 高精度融合定位与建图系统
业务背景：为某仓储机器人提供 cm 级定位能力，要求动态环境中抗干扰、支持重定位与回环。
规模指标：重复定位精度 2 cm，轨迹误差 < 5 cm (100m 路径)，实时运行 20 Hz，支持 10 万 m² 建图。
技术栈：C++ / ROS2 / LIO-SAM 框架 / Livox 激光雷达 / Realsense D435 / 轮式里程计 / GTSAM 图优化。
核心难点：
- 激光与视觉外参在线标定精度不足
- 长时间运行后 IMU 零偏漂移导致位姿发散
- 动态物体（人、叉车）造成前端匹配异常
面试高频追问：
• 如何评价 LIO-SAM 与 VINS-Mono 的差异？
• 外参标定怎么做的？是否使用 targetless 方法？
• 如何处理动态物体对点云配准的影响？
• IMU 预积分中雅可比如何推导？
可迁移回答话术：
“我负责融合定位模块，采用 LIO-SAM 框架并将轮式里程计作为预积分约束。对于动态物体，我们在前端加入基于动目标检测的 ROI 剔除，并利用 IMU 运动补偿减少畸变。通过引入滑窗边缘化，将计算量控制在 30ms 以内。最终系统在真实仓库跑通，100m 路径误差 < 5 cm。”