📚 课程目录第2章高频问答

第2章 SLAM基础与数学：常见数学问题、回答框架、公司侧重点

SLAM研发面试中，数学基础是区分“调参工程师”和“核心算法工程师”的关键关卡。本章聚焦三大高频数学考点：李群李代数、卡尔曼滤波与非线性优化、最小二乘求解，并给出结构化回答框架与公司侧重点画像，帮助候选人将数学功底转化为面试得分点。

面试问题	请解释李群 SE(3) 与李代数 se(3) 的关系，以及它们在 SLAM 中的核心作用。
考察点	对李群李代数本质的理解；能否将抽象数学概念与 SLAM 工程实践关联；是否清楚扰动模型的应用场景。
回答框架	① 定义两者及映射关系 → ② 为什么需要李代数（无约束优化） → ③ 指数/对数映射的几何意义 → ④ 扰动模型求导优势 → ⑤ 工程中左乘/右乘的选择。
示例回答	SE(3) 表示刚体变换群，se(3) 是其李代数。通过指数映射将 se(3) 映射到 SE(3)，对数映射反之。SLAM 中利用李代数将带约束的位姿优化转化为无约束优化，使用右乘扰动模型求解雅可比，避开旋转矩阵的正交约束，简化求导过程。
可能追问	追问 1：左乘扰动与右乘扰动的区别及选择依据？追问 2：SO(3) 与 se(3) 的雅可比矩阵形式有何不同？
避坑提醒	不要混淆左乘/右乘扰动模型的使用场景；避免只背公式说不出几何意义；切忌忽略指数映射的近似计算（BCH 公式）在工程中的重要性。

面试问题	卡尔曼滤波与非线性优化在 SLAM 中各自扮演什么角色？如何根据场景选择？
考察点	对两类方法优缺点的本质认知；工程决策能力；是否了解现代 SLAM 中两者的融合趋势。
回答框架	① 各原理概述 → ② 精度与实时性对比 → ③ 典型适用场景 → ④ 松耦合 vs 紧耦合选择 → ⑤ 现代融合方案举例。
示例回答	KF 适合资源受限、实时性高的场景，如早期激光 SLAM；非线性优化精度更高，是现代视觉 SLAM 的主流。松耦合常用 EKF，紧耦合通常采用图优化。实际工程常二者融合，例如 MSCKF 使用 EKF 维护状态，VINS-Mono 则采用滑动窗口非线性优化。
可能追问	追问 1：ESIKF 与标准 EKF 的核心区别是什么？追问 2：滑动窗口优化如何避免计算量爆炸？
避坑提醒	不要地说“非线性优化全面优于 KF”，要考虑实时性约束；避免忽略 EKF 在 IMU 融合中的实际优势；切忌空谈理论而不提具体工程方案。

面试问题	SLAM 中的 BA 问题本质上是最小二乘问题，你常用哪些求解方法？如何保证实时性？
考察点	数值优化算法理解深度；对 SLAM 中稀疏性结构的认识；工程加速技巧的掌握程度。
回答框架	① 最小二乘问题形式 → ② LM 算法核心思想 → ③ 利用稀疏性加速 → ④ 舒尔补边缘化策略 → ⑤ 工程中的收敛判断与参数调优。
示例回答	SLAM 中的 BA 采用 LM 算法求解，结合高斯-牛顿快速收敛与梯度下降稳定性。工程上利用 Hessian 矩阵的稀疏性，通过舒尔补先边缘化路标点，只优化位姿，极大降低计算量。同时使用滑动窗口限制关键帧数量，确保实时运行。
可能追问	追问 1：Hessian 矩阵的稀疏性如何形成？如何利用？追问 2：LM 算法中 λ 参数如何自适应调整？
避坑提醒	不要只背算法名称，要能推导 LM 的增量方程；避免忽略稀疏性这一 SLAM 工程的关键加速点；切忌把“边缘化”等同于“丢弃信息”，需说明边际概率的正确性。

以下项目模板适用于简历中体现数学落地能力，面试时展示工程与理论的平衡。

项目名称	基于多传感器融合的室内外连续定位 SLAM 系统
业务背景	仓储机器人在室内外过渡区域需要连续稳定定位，纯视觉受光照影响大，纯 GPS 在室内失效，需多传感器互补。
规模指标	定位精度 <5cm（室内） / <15cm（室外）；实时运行 >30fps；覆盖面积 10 万㎡；连续运行 >8h 无漂移。
技术栈	ORB-SLAM3 + IMU 预积分 + RTK-GPS + 视觉-惯性紧耦合 + 滑动窗口优化
核心难点	① 传感器异步与时间戳对齐；② 室内外过渡尺度漂移；③ GPS 信号跳变处理；④ 光照剧烈变化下的特征匹配。
面试高频追问	追问 1：IMU 预积分解决了什么问题？为什么不用连续积分？追问 2：GPS 与视觉位姿如何融合？置信度如何动态调整？追问 3：滑动窗口边缘化与全局优化的平衡策略？
可迁移回答话术	“核心思路是利用 IMU 预积分提供帧间运动约束，在 GPS 可信区域加入全局位置约束，通过滑动窗口边缘化历史状态保证实时性。这套多传感器融合架构可迁移到任何需要连续定位的机器人场景，关键在于传感器置信度建模与异步对齐。”

本章面试策略小结：

加分提示： 面试中主动提及“李代数扰动模型”和“Hessian 稀疏性利用”，是区分普通候选人与核心算法工程师的关键信号。建议在回答中嵌入 1-2 个工程细节，例如：“我们在 LM 求解中使用了动态 λ 调整策略，避免过大的梯度步长导致发散。”

常见扣分点：