传感器融合与状态估计面试问题
传感器融合与状态估计是机器人控制测试的核心能力，面试重点考察算法理解、工程落地与失效分析。本章围绕卡尔曼滤波、多源异步融合、IMU+视觉互补三大高频方向，拆解回答框架与面试官真实意图。
传感器融合算法对比一览
| 算法 | 适用系统 | 计算复杂度 | 精度表现 | 典型场景 | 测试关注点 |
|---|---|---|---|---|---|
| KF | 线性高斯 | 低 | 高（线性） | GPS+里程计 | 噪声协方差匹配度 |
| EKF | 弱非线性 | 中 | 中 | IMU+视觉 | 线性化误差累积 |
| UKF | 强非线性 | 中高 | 高 | 多源融合 | Sigma点采样覆盖率 |
| PF | 非高斯/非线性 | 高 | 高 | 全局定位 | 粒子退化与重采样 |
面试策略提示：传感器融合问题面试官更看重“算法选型判断力”而非公式默写。回答时始终围绕“场景约束→选型依据→测试验证”三要素展开。
🎯 面试问题：请解释卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF）在传感器融合中的应用与区别
面试官考察点：
- 是否理解KF的线性高斯假设前提
- 能否说清EKF线性化处理的具体方式与代价
- 是否具备根据场景选型的工程判断力
回答框架：
- 核心假设区别：KF→线性高斯系统；EKF→一阶泰勒展开近似非线性
- 公式差异对比：状态转移/观测矩阵 vs 雅可比矩阵
- 场景匹配：KF用于GPS+里程计等线性融合；EKF用于IMU+视觉等非线性观测
- 优缺点总结：EKF计算量大、存在线性化误差，但适用面更广
- 测试验证：对比两者在相同场景下的精度与鲁棒性表现
💡 示例回答：KF假设系统为线性