第3章 SLAM基础与算法选择：关键问题、回答框架、大厂侧重点
本章聚焦SLAM核心架构与算法选型逻辑。面试官不仅考核你是否了解ORB-SLAM、VINS等主流框架，更在意你在场景约束下的决策能力。掌握经典算法分类、适用边界及工程权衡，是进入大厂的关键分水岭。
面试加分点：回答时先画出上述框架，再逐层对比“特征法 vs 直接法”“滤波 vs 图优化”“词袋 vs 深度学习回环”，最后结合场景给出选型结论 — 体现系统化思维。
Q1：请简述SLAM的基本框架和主流算法分类。
面试官考察点：基础知识完整度；能否区分前端/后端/回环/地图；对滤波类与优化类算法边界的理解。
回答框架：五步法：传感器 → 前端（特征/直接）→ 后端（滤波/图优化）→ 回环检测 → 地图构建。再按两大维度分类：①按后端：EKF等滤波器 vs 图优化（ORB-SLAM/VINS）；②按前端：特征点法（稳定）vs 直接法（弱纹理）。
简短示例回答：SLAM由前端（特征提取跟踪/直接法对齐）、后端优化（滤波器或最小二乘图优化）、回环检测（消除累积误差）和地图构建组成。主流分为滤波类（MSCKF、EKF-SLAM）和图优化类（ORB-SLAM3、VINS-Mono），前端特征法鲁棒性高，直接法在弱纹理下更优。
可能追问：①滤波与图优化的本质区别是什么？②什么场景下仍优先选择滤波类方法？③你如何看待滑动窗口在图优化中的作用？
避坑提醒：不要只罗列算法名称，要说明分类依据；避免将“直接法”和“特征法”混淆为后端分类；强调图优化是目前主流，滤波类更多用于资源受限平台。
Q2：如何根据场景选择SLAM算法？请举例说明。
面试官考察点：工程决策能力、对算法特性与场景约束匹配关系的理解、是否具备迁移经验。
回答框架：①分析场景约束：纹理/光照/动态/计算资源/传感器组合；②匹配算法特性：特征法适合纹理丰富，直接法适合弱纹理但易受光照影响；③举例：纹理丰富+GTX GPU → ORB-SLAM3；弱纹理+IMU → VINS-Mono；动态场景 → 语义SLAM或动态点剔除；无人机低成本 → MSCKF。
简短示例回答：纹理丰富、计算资源充足时选ORB-SLAM3（特征法+图优化）；弱纹理、光照变化大时选VINS-Mono（视觉+IMU紧耦合）；动态场景需加入语义分割预处理（如DynaSLAM）；无人机受限于算力，选MSCKF（基于滤波，轻量高效）。
可能追问：①为什么VINS-Mono在弱纹理下比ORB-SLAM更鲁棒？②你如何量化评价算法好坏？③如果传感器只有单目+低算力，你会怎么设计？
避坑提醒：不能只给出算法名称，必须解释为什么；避免说“直接法就是比特征法好”，要根据约束条件辩证回答；可提及“传感器融合”作为兜底策略。
Q3：SLAM中回环检测的关键技术及常见挑战？
面试官考察点：对闭环模块理解的深度、实际工程中处理假阳性/假阴性的经验、是否了解最新深度学习方案。
回答框架：①方法：词袋模型（DBoW2/3，视觉词汇+TF-IDF）是主流，深度学习（NetVLAD、SuperPoint+SuperGlue）特征更鲁棒；②挑战：感知歧义（相似场景）、光照/视角变化、大规模地图检索实时性；③应对：几何验证（RANSAC估算相对位姿）、时间一致性检查（连续帧）、“先筛后验”两级策略。
简短示例回答：词袋模型（DBoW2）速度快，但易受光照影响；深度学习特征（NetVLAD）鲁棒性更高但计算量大。核心挑战是假阳性导致图优化崩溃，常用几何验证+两步法（先粗检索再精匹配）来避免。大规模地图中采用增量式词袋或iBoW-LCD控制检索延迟。
可能追问：①如何处理大规模地图（>1000个关键帧）的闭环检索？②闭环检测发现假阳性后系统如何恢复？③在室外大场景中，GPS信息如何辅助闭环？
避坑提醒：不要只提词袋模型，一定要提几何验证这一步；不要忽略时间一致性检查；如果提到深度学习，需说明其计算开销以及对真值数据的依赖。
算法选型快速对比表
| 算法 | 类别 | 前端 | 后端 | 回环 | 典型场景 | 大厂应用 |
|---|---|---|---|---|---|---|
| ORB-SLAM3 | 图优化 + 特征法 | ORB特征 | g2o / BA | DBoW2 + RANSAC | 室内/小范围，纹理丰富 | Google（ARCore参考） |
| VINS-Mono | 图优化 + VIO | 特征点 + IMU预积分 | 滑动窗口BA | DBoW2 + 几何验证 | 弱纹理、快速运动 | 小米、大疆（无人机） |
| MSCKF | 滤波 + 多状态约束 | 点特征 | EKF / 滑动窗口滤波 | 无（或GPS辅助） | 高帧率、低算力平台 | Apple（ARKit早期） |
| DSO | 图优化 + 直接法 | 直接灰度对齐 | 滑动窗口光度BA | 无（可扩展） | 弱纹理、光学标定好 | 研究探索（未大规模落地） |
面试提示：大厂面试常要求你现场分析一个具体场景（如“扫地机器人在强纹理客厅和夜间弱光线切换”），请提前练习用“场景约束→算法匹配→性能指标”三段式回答。结合表格中的对比，可快速定位合适方案。