第3章 SLAM基础数学：李群李代数、概率论、最小二乘优化
本章聚焦 SLAM 面试中最常被追问的三大数学基础：李群与李代数、概率论（不确定性处理）、最小二乘优化。面试官通过这些问题考察候选人对数学模型的理解深度、推导能力及工程应用意识。以下先以表格梳理核心概念，再用回答框架图建立解题思路，最后通过三个问答卡片拆解高频题。
| 数学基础 | 核心概念 | 高频面试点 |
|---|---|---|
| 李群李代数 | SO(3)/SE(3)、指数映射、扰动模型 | 左扰动 vs 右扰动、链式求导 |
| 概率论 | 高斯分布、协方差传播、马氏距离 | 信息矩阵、边缘化、后端优化 |
| 最小二乘优化 | 高斯牛顿法、LM 算法、鲁棒核函数 | 正规方程推导、步长控制、稀疏性 |
面试问题 1：请解释李群 SO(3) 与李代数 so(3) 的关系，并说明在 SLAM 中如何使用扰动模型进行求导。
面试官考察点：对李群李代数基本定义的掌握、指数与对数映射推导、扰动模型求导的几何意义、能联系 SLAM 中位姿优化的实际用法。
回答框架：
- 定义关系 – 李群 SO(3) 是旋转矩阵群，李代数 so(3) 是三维反对称张量空间，通过指数映射 exp(·) 将 so(3) 映射到 SO(3)，对数映射 ln(·) 反之。
- 扰动模型推导 – 对旋转矩阵 R 施加左扰动 δφ，求导时使用 Baker–Campbell–Hausdorff 公式近似，得到关于 δφ 的雅可比矩阵。
- SLAM 应用 – 在位姿图优化中，通过扰动模型得到误差函数对位姿的导数，构建线性化系统求解增量。
示例回答（约 80 字）：SO(3) 通过指数映射与 so(3) 对应。对 R 施加左扰动 ΔR = exp(δφ^)，求导时利用 BCH 近似将扰动项分离，得到 ∂(R p)/∂δφ = -R p^，该雅可比用于 SLAM 中重投影误差对旋转的求导，实现高效优化。
可能追问：
- 左扰动和右扰动有什么区别？分别在什么场景使用？
- 指数映射的级数展开形式是什么？何时可近似为 I + φ^？
- SE(3) 与 se(3) 的扰动模型类似吗？写出平移部分导数。
面试问题 2：在 SLAM 中如何处理不确定性？请解释卡尔曼滤波中的协方差更新方程，并说明后端优化中信息矩阵的意义。
面试官考察点：理解高斯分布描述不确定性、协方差传播原则、卡尔曼滤波与图优化两种范式后端的概率解释、信息矩阵的稀疏性与边缘化操作。
回答框架：
- 不确定性表达 – SLAM 中状态和观测均建模为高斯分布，协方差矩阵编码不确定性，马氏距离作为残差度量。
- 卡尔曼滤波更新 – 预测步骤通过运动模型传播协方差 Pk|k-1 = F Pk-1 FT + Q；更新步骤使用卡尔曼增益 K 融合观测，后验协方差 Pk|k = (I - K H) Pk|k-1。
- 信息矩阵意义 – 在最小二乘中，Hessian 矩阵（或信息矩阵 Σ⁻¹）表示估计的置信度，其逆对角元素为方差；图优化中海量观测导致信息矩阵呈稀疏带状，可利用 Schur 补加速求解。
示例回答（约 90 字）：SLAM 将状态与观测视为高斯分布，协方差 P 代表不确定度。卡尔曼滤波中预测协方差由模型噪声传递，更新后协方差缩小。后端优化中信息矩阵 Ω = Σ⁻¹ 的对角线衡量各变量置信度，利用稀疏性（如 VINS 中边缘化旧帧）可显著降低计算量。
可能追问：
- 为什么图优化中使用信息矩阵而不是协方差矩阵？稀疏性具体如何利用？
- 卡尔曼滤波的更新公式与高斯牛顿的增量方程有何联系？
- 边缘化（Marginalization）的数学原理是什么？如何保持先验信息？
面试问题 3：请推导高斯牛顿法的迭代公式，并说明与 LM 算法的区别。
面试官考察点：基础优化算法推导能力、理解雅可比与 Hessian 近似关系、LM 的阻尼策略、在 SLAM 后端中的具体应用（如 BA 问题）。
回答框架：
- 高斯牛顿推导 – 目标函数 f(x) = ½‖r(x)‖²，一阶泰勒展开 r(x+Δx) ≈ r(x) + J Δx，代入得 Δx* = argmin ½‖r + JΔx‖²，求导得正规方程 JTJ Δx = -JTr。
- 与 LM 区别 – LM 在高斯牛顿基础上引入阻尼项 λI： (JTJ + λI) Δx = -JTr。λ 根据增益比 ρ 自适应调整：λ 大时接近梯度下降，小时接近高斯牛顿，保证全局收敛。
- SLAM 应用 – BA 问题中 JTJ 为稀疏矩阵（仅相机-3D 点相关块），利用 Schur 补或共轭梯度法高效求解。
示例回答（约 90 字）：高斯牛顿：残差 r 对变量求雅可比 J，近似 Hessian 为 JTJ，求解线性方程组 JTJ Δx = -JTr。LM 增加阻尼项 λI，当 λ=0 退化为高斯牛顿；λ 大则退化为梯度下降。LM 通过 ρ 控制 λ 变化，更鲁棒，适合 SLAM 中初始值较差的 BA 问题。
可能追问：
- 正规方程求解时，如果 JTJ 奇异如何处理？
- LM 算法中阻尼因子 λ 的初始化与更新策略有哪些？
- 在 SLAM 中如何利用问题的稀疏结构加速求解？（Schur 补原理）