第3章 多传感器融合方法与常见问题
本章导读：多传感器融合是机器人感知的核心能力，面试中常从原理、实现、鲁棒性三个层次考察。本章拆解卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、图优化三类主流方法，并提供结构化答题框架与项目落地模板。
面试问答卡片
Q1：请解释卡尔曼滤波的基本原理及其在多传感器融合中的应用。
| 考察点 | 对KF核心五步（预测+更新）的理解；能否将多个传感器观测建模为独立的更新步骤；协方差矩阵的意义。 |
| 回答框架 | ① 状态空间模型 → ② 预测步骤（状态+协方差）→ ③ 观测更新（融合多传感器）→ ④ 信息论解释（最小化方差） |
| 示例回答 | 卡尔曼滤波通过预测（状态方程）和更新（观测方程）递归估计状态。多传感器融合时，每个传感器作为独立观测，依次执行更新步骤，利用各自协方差加权融合。例如激光测距和IMU融合位姿，KF能有效抑制噪声，保证实时性。 |
| 可能追问 | 如何处理异步传感器？协方差矩阵如何初始化？ |
| 避坑提醒 | 不要只背公式，要说明传感器观测模型如何建立；避免忽略线性/高斯假设的前提条件。 |
Q2：EKF与标准KF有什么区别？在机器人感知中如何处理非线性问题？
| 考察点 | 非线性系统建模能力；泰勒展开一阶近似；对比UKF/PF的认知；工程实现细节（雅可比矩阵计算）。 |
| 回答框架 | ① 非线性来源（运动/观测）→ ② EKF线性化方法（一阶泰勒）→ ③ 与传统KF区别（雅可比替换状态转移/观测矩阵）→ ④ 局限性（线性误差累积） |
| 示例回答 | EKF将非线性函数一阶泰勒展开，用雅可比矩阵代替线性KF中的状态转移和观测矩阵。例如视觉SLAM中，重投影误差模型为非线性，EKF可近似更新。但强非线性下容易发散，此时可改用UKF或无迹变换。 |
| 可能追问 | 如何推导雅可比矩阵？EKF在哪些场景下会失效？ |
| 避坑提醒 | 不要只说“非线性用EKF”，要说明具体线性化对象（哪个函数）；避免忽略计算雅可比矩阵时的扰动定义（左乘vs右乘）。 |
Q3：图优化（Graph Optimization）在传感器融合中如何工作？与滤波方法相比有何优势？
| 考察点 | 对后端优化框架的理解；因子图/最小二乘表达；与滤波的差异（增量式vs批量式）；实时性权衡（iSAM2等）。 |
| 回答框架 | ① 构建因子图（变量节点+因子边）→ ② 建立误差函数（马氏距离）→ ③ 稀疏最小二乘求解（LM/高斯-牛顿）→ ④ 与滤波对比：全局一致性好、支持回环、但计算量大 |
| 示例回答 | 图优化将机器人位姿和路标作为节点，传感器观测作为边（因子），通过最小化所有边的残差来优化全局轨迹。相比EKF，它在回环检测后可修正历史状态，一致性更强。实际中常用g2o或Ceres Solver，配合iSAM2实现增量优化。 |
| 可能追问 | 稀疏性如何利用？如何融合测量（如GPS）？ |
| 避坑提醒 | 避免将图优化与滤波对立，很多系统会混合使用（如MSCKF）；强调信息矩阵的稀疏性优化。 |
项目案例模板
项目名称：多传感器融合自动驾驶定位系统
| 业务背景 | 自动驾驶汽车在GNSS信号弱的复杂城区（立交桥下、隧道）需要持续厘米级定位，单传感器无法满足。 |
| 规模指标 | 测试里程 5000+ km，覆盖 30+ 典型场景；定位精度 RMS＜10cm；融合频率 100Hz。 |
| 技术栈 | EKF（IMU预积分）+ 因子图（GPS+激光回环）+ Mahalanobis异常检测 + ROS2 / C++ |
| 核心难点 | ①传感器异步与时延非线性补偿；②激光退化场景（长走廊）误匹配导致发散；③实时性要求（<10ms/帧）。 |
| 面试高频追问 | • 异步数据如何时间对齐？（答：外推/缓存+插值） • 激光退化时如何处理？（答：降低激光权重/切换到IMU预测模式） • EKF和因子图如何分工？（答：EKF负责高频姿态预测，因子图负责全局优化消除漂移） |
| 可迁移话术 | “我们将 EKF 作为前端增量滤波器，提供高频粗估计；因子图作为后端，处理回环和观测修正。通过动态协方差调节实现鲁棒性，在退化场景下自动调节传感器置信度，最终在 95% 场景下维持 10cm 精度。” |
加分提示：面试中提及“Mahalanobis距离异常检测”“延迟补偿”“稀疏线性求解器”等细节，能显著提升技术深度印象。
常见误区：只谈理想情况，忽略实际工程中的传感器丢帧、时间戳对齐、标定误差等。建议在项目中专门说明故障处理逻辑。