面试问题与回答框架
本章目标：掌握机器人算法面试高频问题的「MMS」回答结构——Mapping（映射问题本质）→ Method（方法论与推演）→ Summary（结论与价值），配合公司侧重点调整表达。
核心洞察：大厂面试官80%时间在听「推导过程」而非「结论」，结构化回答比结果正确更重要。
📌 问答1：请解释卡尔曼滤波在机器人的应用
| 面试官考察点 | 是否理解KF的假设（线性/高斯）、工程中的调参逻辑（Q/R矩阵）、融合多传感器时的协方差更新 |
| 回答框架 | ① 定性描述KF在状态估计中的定位 → ② 给出预测与更新两步方程（简写）→ ③ 讲Q/R矩阵物理含义及调参经验 → ④ 举一个融合轮速计+IMU的实际案例说明收敛过程 |
| 简短示例回答 | 卡尔曼滤波假设系统线性且噪声高斯，用于机器人位姿估计。预测步骤利用运动模型推算先验，更新步骤用观测校正后验。实际调参Q看运动噪声、R看传感器噪声，我曾在AGV项目用方差匹配法调R矩阵，定位误差从15%降到5%。 |
| 可能追问 | EKF如何处理非线性？UKF与EKF比较？Q/R矩阵怎么在线自适应？ |
| 避坑提醒 | 别只背书“预测-更新”两公式，面试官要听你调过矩阵的实际参数变化，以及对发散场景的处理。 |
📌 问答2：SLAM前端特征匹配如何保证实时性？
| 面试官考察点 | 是否掌握特征点法/直接法的取舍、暴力匹配 vs KD树/词袋的效率差异、实际帧率与计算资源约束 |
| 回答框架 | ① 说明特征匹配是SLAM瓶颈之一 → ② 对比暴力匹配与KD树/FLANN的时间复杂度 → ③ 介绍词袋模型加速闭环检测 → ④ 给出具体实测数据（如ORB特征+KD树可在30ms内完成2000点匹配） |
| 简短示例回答 | 实时性关键是减少匹配搜索空间：暴力匹配O(N²)不现实，我会用KD树把搜索降到O( logN )。闭环检测用DBoW3词袋分层匹配。实测在Jetson TX2上提取1200个ORB特征，KD树匹配耗时22ms，满足30Hz要求。 |
| 可能追问 | ORB和SIFT如何选？RANSAC剔除误匹配的参数设置？暴力匹配什么场景还可用？ |
| 避坑提醒 | 别只说“用KD树就快了”，要讲具体实现库（如OpenCV的flann::Index）和实际嵌入式平台耗时，否则显得没落地过。 |
📌 问答3：路径规划中A*和Dijkstra的工程选型
| 面试官考察点 | 是否理解启发式函数对搜索效率的影响、栅格地图与拓扑地图的选型、动态障碍物场景的局限性 |
| 回答框架 | ① 从有/无先验信息区分两种算法 → ② 比较时间复杂度和最优性保证 → ③ 给出实际栅格地图中A*的启发式采用欧式/曼哈顿距离的选择依据 → ④ 引出D* Lite用于动态场景的升级 |
| 简短示例回答 | Dijkstra无条件保证最优，但遍历所有节点；A*加启发式（欧式距离）能减少80%打开节点数。在500×500栅格地图上，我对比过：Dijkstra需3.2s，A*只要0.7s。但动态场景我会改用D* Lite重新规划，不必全图重跑。 |
| 可能追问 | JPS（Jump Point Search）相比A*提升多少？你实际用多少分辨率栅格？启发式不可容许会怎样？ |
| 避坑提醒 | 不要只讲“A*更快”，要解释不同启发式影响的节点数量级和具体分辨率下的内存消耗，这才是面试官想要的工程视角。 |
🏢 大厂面试侧重点速查
| 公司 | 侧重点标签 | 典型提问方向 | 备考建议 |
|---|
| 字节跳动（AI Lab/机器人） | 高实时、多传感器融合 | EKF/ESKF的IMU预积分、延迟补偿 | 准备一款机器人从传感器采样到控制输出的延时链路图 |
| 美团（无人配送） | 复杂场景规划、安全冗余 | 碰撞约束的MPC、避障行为树 | 重点梳理A*/D*/TEB的实车调参经验 |
| 百度（Apollo/机器人） | 系统架构、泛化能力 | 多传感器标定、退化场景下鲁棒SLAM | 熟读Apollo标定框架，准备2个退化场景解决方案 |
| 大疆（RoboMaster/行业应用） | 嵌入式实时、视觉/激光结合 | ARM上算法加速、点云配准 | 必须有嵌入式性能优化数据（ms级） |
注意：面试不要机械背诵答案，每道题用MMS框架引导面试官听你的「工程推导路径」。公司侧重点表格可做为临场答题的「选型锚点」——回答中自然带出该公司业务场景会大大加分。