第3章 SLAM基础理论面试题
SLAM基础理论是仿真岗面试的核心考察点，围绕滤波器、图优化、回环检测三大主线展开。你需要掌握每种方法的数学模型、适用场景、优缺点及工程落地权衡。下面先通过一张回答框架图建立全局认知。
一、三大核心问答卡片
Q1：请解释滤波器SLAM（如EKF SLAM）的原理和主要缺点
回答框架：
- 原理：状态预测（运动模型）+ 观测更新（卡尔曼增益）
- 优点：实时性强，适合小场景
- 缺点：线性化误差导致不一致，存储协方差矩阵 O(n²) 大场景不可用
示例回答：“EKF SLAM通过预测-更新循环维护均值和协方差。预测阶段利用运动模型，更新阶段用观测残差和卡尔曼增益修正状态。缺点是强非线性时线性化误差大，且协方差矩阵平方级增长，无法处理大规模环境。”
追问：“如果使用UKF代替EKF，能解决线性化问题吗？为什么？”
避坑：不要只说UKF无公式，要强调无迹变换捕捉高阶矩，但计算量更大；也不要忽略EKF在低非线性时的实用性。
Q2：图优化SLAM相比滤波器有何优势？关键步骤是什么？
回答框架：
- 优势：全局优化，处理大规模场景；利用稀疏性提高效率
- 关键步骤：构建图（节点=位姿/路标，边=约束）→ 迭代求解非线性最小二乘
示例回答：“图优化SLAM将问题建模为图，节点为位姿和路标，边为视觉/IMU约束。通过Levenberg-Marquardt优化所有节点，模型稀疏性允许使用Schur补加速。相比滤波器，它避免历史状态边缘化，可修正过去错误，精度更高。”
追问：“图优化的求解器如何选择？为什么常用g2o或ceres？”
避坑：不要忘记提及SLAM中图优化的稀疏结构，以及ISAM（增量平滑）与批处理优化的区别。
Q3：回环检测如何实现？如何避免误检测？
回答框架：
- 实现：提取图像特征（ORB）→ 词袋模型匹配 → 时间/空间一致性校验
- 防误检：几何校验（如核对基础矩阵）、时序一致性（连续帧验证）
示例回答：“通常采用DBoW2词袋模型，ORB特征描述子量化后快速检索候选帧。再用RANSAC验证几何变换，若内点足够则接受。为防止感知歧义，还会要求回环前后至少连续3帧的匹配一致，且位置漂移不能过大。”
追问：“在仿真环境中，回环检测的假阳性如何影响后续优化？如何处理？”
避坑：不要忽视回环检测算力消耗；避免只说“用几何校验”，要讲具体方法（如PnP或3D点云对齐）。
二、公司侧重点对比
| 公司/团队 | 考察重点 | 常见题型 |
|---|---|---|
| 百度Apollo | 多传感器融合SLAM，图优化与回环检测的工程实现 | 手写LM求解器伪代码；回环检测词袋阈值设定 |
| 华为车BU/自动驾驶 | 算法理论深度，对比滤波器与图优化的计算复杂度和一致性 | 推导EKF线性化过程；图优化中Hessian矩阵稀疏结构 |
| 蔚来/小鹏 | 回环检测在Lidar与视觉中的差异，仿真调试经验 | 回环检测假阳性对地图一致性的影响；仿真中如何模拟感知噪声 |
| 大疆/机器人 | 轻量化SLAM，滤波器实时性与图优化精度权衡 | 内存受限时选择滤波器还是增量优化？为什么 |
三、面试官画像
典型画像：从事SLAM/定位算法3-5年的技术骨干，熟悉ORB-SLAM、VINS-Mono、Cartographer等开源框架。他们希望应聘者不仅知道公式推导，还能讲出各方法在工程中的妥协点（如EKF线性化引起的不一致，图优化中鲁棒核函数的必要性）。
常问细节：
- “请你画一下EKF SLAM的因子图结构”——考察对概率图的理解
- “图优化中为什么用M-estimator代替最小二乘”——考察鲁棒性认知
- “你的闭环检测模块如何评价好坏？在仿真中用什么指标？”——考察仿真测试思维
加分项：能对比不同开源框架的实现差异，或提出自己改进过的消融实验设计。