📚 课程目录第2章高频面试问题与回答框架

第2章高频面试问题与回答框架

本章聚焦机器人算法实习生面试中最常出现的三类问题，结合大厂侧重点提供可直接套用的回答框架。核心逻辑：理解问题 → 拆解算法核心 → 代码/伪代码 → 复杂度分析 → 边界测试。每道题附面试官真实考察意图与追问路径，帮助你在有限时间内展现工程思维与学术深度。

✏️ 通用回答框架（3-5-2法则）： ① 用一句话定义问题背景 → ② 分3个要点讲清算法原理（输入/输出/核心步骤） → ③ 用2句话对比优劣或给出改进方向。控制总时长1.5〜2分钟。

⚠️ 避坑提醒： 不要只背书式背诵算法流程。面试官更关注你能否结合项目经验讲出“什么时候用这个算法”以及“为什么不用另一个”。所有回答必须包含一个具体的工程决策时刻。

🎯 考察点	是否理解启发式搜索的本质；能否指出两种算法在无向图/有向图、障碍物分布、最优性保证上的差异；是否有实际调参经验。
🧩 回答框架	① 两者都是图搜索算法，用于最小代价路径。② Dijkstra 基于实际代价 g(n)，无启发式，保证全局最优。③ A* 在 g(n)+h(n) 中引入启发函数，搜索效率更高但可能损失最优性（若 h 不可采纳）。④ 工程选择：地图大、允许次优时用 A* 节省时间；需要严格最优时用 Dijkstra。
💬 简短示例	“Dijkstra 以起点为中心均匀扩撒，适合静态网格；A* 利用曼哈顿距离引导方向，在障碍少时快 10-50 倍。我在项目中用 A* 做仓储机器人全局路径，但遇到窄通道时需加膨胀层保证安全。” (85字)
❓ 可能追问	“A* 的启发函数如果过大或过小会怎样？” “你如何验证算法在动态障碍下的实时性？” “实际项目中你用的 open list 是什么数据结构？”
🚨 避坑提醒	*不要只说“A 比 Dijkstra 快”**，要量化说明在什么场景下快多少。避免忘了提 h(n) 的可采纳性与一致性条件。最好现场画个简单例子演示搜索过程。

🎯 考察点	线性高斯系统建模能力；对预测-更新两步理解的准确性；能否清晰写出矩阵公式（F, H, Q, R, P）；是否理解发散原因及解决办法。
🧩 回答框架	① 定义状态向量（位置、速度）与观测向量。② 预测步骤：状态预测 = F·x + u ，协方差预测 = F·P·Fᵀ + Q。③ 更新步骤：计算卡尔曼增益 K = P⁻·Hᵀ·(H·P⁻·Hᵀ+R)⁻¹，然后更新 x = x⁻ + K·(z - H·x⁻)，P = (I-KH)·P⁻。④ 强调 Q,R 的物理含义以及调参意义。
💬 简短示例	“在扫地机器人里程计+IMU融合中，我建了3维状态（x,y,θ），运动模型用匀速。先预测协方差增长，再用激光观测修正。遇到轮子打滑时，我把 Q 调大让滤波器更信任观测，收敛速度提升 30%。” (95字)
❓ 可能追问	“EKF 与 UKF 的区别是什么？” “如果观测延迟怎么处理？” “你如何初始化 P 和 Q？” “卡尔曼增益 K 趋向 0 或 1 分别意味着什么？”
🚨 避坑提醒	别只背公式，要能解释每一部分对应的物理含义。写在白板时注意矩阵维度一致性。不要忽略初始协方差 P0 的设定，这很关键。

🎯 考察点	闭环检测的动机与作用（消除累积漂移）；常见的特征匹配方法（词袋模型、几何验证）；假阳性/假阴性的处理策略；是否了解图优化中的闭环边添加。
🧩 回答框架	① 闭环检测解决 long-term 漂移，构建位置识别（place recognition）问题。② 常用词袋（BoW）将图像描述子聚类到视觉单词库，通过 TF-IDF 打分快速回环候选。③ 几何验证（如 RANSAC + PnP）确认位姿一致性。④ 闭环边加入图优化（g2o / Ceres）调整整体轨迹。⑤ 工程中注意回环实时性（局部地图 vs 全局描述子）。
💬 简短示例	“在视觉 SLAM 项目中，我用 DBoW2 + ORB 特征做回环检测。当车辆绕厂一圈时，正确检测回环并触发全局 BA，定位误差从 8m 降到 0.5m。关键是要设置合理匹配阈值并加入时序一致性检验防误报。” (98字)
❓ 可能追问	“如果场景有很多相似纹理（长走廊）怎么避免假阳性？” “回环检测失败后如何补救？” “一帧图像匹配还是多帧投票？” “你会用深度学习替代词袋模型吗？”
🚨 避坑提醒	不要仅停留在理论层面，必须结合闭环检测失败的典型案例（如动态物体、光照变化）说明你的处理手段。强调时序一致性检验是实际项目中的关键步骤，很多初学者忽略。

—— 第2章完，更多章节请关注后续课程 ——

第2章 高频面试问题与回答框架