视觉SLAM核心算法：ORB-SLAM、VINS等高频问题
本章聚焦面试中最高频的视觉SLAM算法对比与原理题，涵盖ORB-SLAM系列与VINS系列的经典问题。我们会为你拆解回答框架、提炼考察点，并给出可直接复用的简短示例回答。
高频问答卡片
❶ 面试问题：请对比ORB-SLAM2与VINS-Mono的优缺点及适用场景
考察点：对主流开源SLAM的系统理解、差异化思考、工程选型能力。
回答框架：先点明两者同属视觉SLAM，再从前端、后端、回环、IMU融合、初始化五个维度对比，最后给出场景选择建议。
简短示例回答：ORB-SLAM2纯视觉、基于特征、四线程（跟踪/局部建图/回环/全局BA），鲁棒但无尺度；VINS-Mono光流+IMU、紧耦合、支持单目惯性，适合无人机等动态场景。我曾在无人机项目中选择VINS，因为其初始化快、抗抖动好。
可能追问：VINS的初始化为什么需要IMU？ORB-SLAM3如何融合IMU？你怎么解决尺度漂移？
❷ 面试问题：VINS-Mono中为什么需要滑动窗口？边缘化怎么实现？
考察点：后端优化理论基础、滑动窗口与边缘化的工程理解、数学推导熟悉度。
回答框架：先说明滑动窗口控制计算量，再解释边缘化采用Schur补保留先验信息，最后提一句FEJ（First Estimated Jacobian）避免信息重复。
简短示例回答：滑动窗口固定BA规模，老帧通过边缘化转化为先验约束（Schur补），同时使用FEJ保证计算一致性。我在实际调参时发现窗口大小设20效果较好，过大拉残差收敛慢。
可能追问：边缘化后矩阵如何更新？为什么需要FEJ？单目+IMU的4自由度不可观如何理解？
❸ 面试问题：ORB-SLAM3相比ORB-SLAM2做了哪些核心改进？
考察点：对开源SLAM演化路径的跟踪能力、关键创新点（多地图、IMU融合等）的理解深度。
回答框架：从系统架构升级说起：支持视觉/视觉惯性/纯惯性；多地图系统（Atlas）解决跟踪丢失复原；改进的初始化（VIO）；更好的回环检测。
简短示例回答：ORB-SLAM3最大改进是多地图（Atlas）和IMU融合。Atlas在跟踪丢失时自动创建新地图，重定位后合并，极大提升鲁棒性。我在室内外混合场景测试，跟踪成功率从75%提升到92%以上。
可能追问：多地图合并时如何保证一致性？ORB-SLAM3的IMU初始化与VINS有何不同？
公司侧重点与面试策略
| 公司类型 | 典型公司 | 核心考核点 | 准备建议 |
|---|---|---|---|
| 自动驾驶 / 车企 | 小马智行、蔚来、Momenta | 视觉惯性紧耦合、多传感器融合、标定质量 | 重点复习VINS、MSCKF；准备标定与在线外参校正项目 |
| 无人机 / 机器人 | 大疆、美团无人配送 | 实时性、初始化快速性、抗抖动、回环鲁棒 | 深究VINS-Mono/ORB-SLAM3的IMU融合；讨论初始化失败处理 |
| AR/VR / 手机 | 苹果、华为、小米 | 轻量化、低功耗、重定位精度、后处理 | 关注ORB-SLAM2/3的轻量化版本；讨论局部BA与全局BA取舍 |
| 研究 / 底层基础设施 | 旷视、商汤、地平线 | 算法创新、数学推导、复现能力 | 能推VINS的逆向深度公式；能对比VI-SLAM的不可观性分析 |