第2章 高频面试问题与回答框架

• 是否具备 SLAM 基础认知与测试视角的融合能力
• 能否从测试端提炼出可量化的关键维度
• 思维的系统性和层次感

一句话定义 + 三个关键维度 + 每个维度简要展开

1. 定义：SLAM = 同步定位与地图构建，核心解决“我在哪，周围什么样”
2. 三维度：定位精度（功能可用性）地图一致性（长期稳定性）系统鲁棒性（异常场景应对）
3. 收尾：将三个维度对应到具体测试方法

SLAM 是机器人感知的核心，解决定位与建图的耦合问题。从测试端看，三个关键维度是：定位精度，用 ATE/RPE 量化，决定功能是否可用；地图一致性，评估全局与局部地图的拓扑正确性；系统鲁棒性，覆盖光照变化、动态遮挡等 corner case。每个维度都需设计对应的测试矩阵和通过标准。

• “你提到的 ATE 和 RPE 在什么场景下优先使用哪一个？”
• “地图一致性你们具体用什么指标衡量？”
• “鲁棒性测试的通过标准怎么定义的？”

❌ 不要只讲 SLAM 算法原理，要始终落脚到 测试角度。避免空泛说“很重要”，要用指标和场景来支撑。

• 测试指标体系的熟悉程度
• 工具链落地经验
• 对真值获取方式与误差来源的理解

指标定义 → 评估方法 → 工具链 → 实践案例

1. 指标：ATE（全局轨迹误差）RPE（局部位姿漂移）
2. 方法：真值获取（动捕 / 高精雷达建图 / 仿真 ground truth）
3. 工具：evo、rpg_trajectory_evaluation、自定义分析脚本
4. 案例：用 evo 对比不同算法在长廊场景下的 ATE 分布

我主要使用 ATE 评估全局轨迹一致性，RPE 衡量局部漂移。真值方面，室内用 OptiTrack 动捕，室外用高精雷达建图作为参考。工具链以 evo 为主，支持多种格式对齐与统计输出。曾在某项目中通过 evo 的 segment 分析发现回环检测模块在特定转角处引入 0.3m 的跳变，最终帮助算法团队优化了关键帧选取策略。

• “ATE 和 RPE 的计算方式有什么区别？适用场景各是什么？”
• “时间戳不对齐怎么处理？evo 里用的什么插值方法？”
• “如果动捕和 SLAM 的坐标系不一致，你怎么做外参标定？”

❌ 不要混淆 ATE 与 RPE 的含义，也不要说“用 evo 跑一下就行”，要体现出你理解 误差来源分析 和 真值误差对评估结果的影响。

• 测试设计能力与问题发现敏锐度
• 根因分析的系统性
• 跨团队沟通与推动闭环的能力

STAR 结构：情境 → 任务 → 行动 → 结果

1. S 情境：弱纹理走廊场景，定位频繁丢失
2. T 任务：隔离根因，推动算法改进
3. A 行动：设计三维度测试矩阵（光照×纹理×速度），用 ATE 分析锁定光流模块
4. R 结果：增加 FAST 自适应阈值，丢失率降低 78%

在测试某视觉 SLAM 系统时，发现 弱纹理走廊场景 定位频繁丢失。我设计了 3×3 测试矩阵（光照强度×纹理密度×运动速度），用 ATE 逐帧分析定位到 光流跟踪模块特征点不足。推动算法团队增加了 FAST 自适应阈值策略，并在 5 类场景下验证，最终定位丢失率从 12.4% 降至 2.7%，提升约 78%。

• “测试矩阵的变量范围和步长你是怎么确定的？”
• “除了增加特征点，还有哪些可以改进的方向？”
• “这个改进在强纹理场景下有没有引入副作用？”

❌ 不要只说“我发现了一个 bug”，要突出 你设计的测试方法 和 数据分析过程。结果必须有量化数据支撑，避免“性能提升很多”这类模糊表述。