4. 高频问答：激光SLAM与多传感器融合
本章聚焦激光SLAM与多传感器融合的高频面试问题，提供结构化回答框架、公司侧重点对比，并附带真实项目模板。帮助候选人从理论到工程落地，清晰展示技术深度与问题解决能力。
面试问题 1：请谈谈激光SLAM中多传感器融合的常见方案及其优缺点？
面试官考察点：对松/紧耦合、滤波/优化方法的理解，实际工程权衡。
回答框架：先分类（松耦合 vs 紧耦合）→ 再对比（EKF vs 图优化）→ 结合具体传感器（IMU/轮速/视觉）→ 指出应用场景选择。
简短示例回答：常见方案有松耦合EKF和紧耦合图优化。松耦合简单易实现但精度有限；紧耦合精度高但计算复杂。实际中，低速机器人常用EKF融合IMU+轮速，高速或复杂环境用图优化融合视觉+IMU。选择需权衡精度、实时性和成本。
可能追问：紧耦合中如何维护状态向量规模？如何处理传感器失效？
避坑提醒：避免只谈理论不涉及工程难点；不要忽略标定和同步问题。
面试问题 2：多传感器融合中时间同步和空间标定如何做？
面试官考察点：工程细节，是否有实际处理经验。
回答框架：时间同步方案（硬件同步/软件插值）→ 空间标定（外参标定方法，如标定板、手眼标定）。
简短示例回答：时间同步常用硬件触发实现纳秒级对齐，软件上使用时间戳插值或缓存对齐。空间标定采用棋盘格标定板，通过联合优化最小化重投影误差。我曾处理过IMU与激光雷达的标定，使用开源工具lidar_align。
可能追问：如果传感器时间戳偏差较大如何处理？如何评估标定精度？
避坑提醒：不能只说“使用标定工具”，要说明自己如何处理异常情况。
面试问题 3：在弱GNSS环境下，如何保证融合SLAM的定位鲁棒性？
面试官考察点：多传感器冗余设计，退化场景处理。
回答框架：分析退化场景→引入多源传感器→使用因子图或滑动窗口→加入回环检测→量化鲁棒性。
简短示例回答：在弱GNSS环境下，我采用激光IMU紧耦合方案，并引入轮速里程计作为补充。当激光退化时，通过IMU预积分和轮速约束维持短期定位，同时利用回环检测消除累积误差。在无人机上还加入了气压计辅助高度估计。
可能追问：如何检测传感器退化？如何融合不同传感器的不确定性？
避坑提醒：不要只依赖单一传感器，要给出具体检测和切换策略。
项目案例模板：智能制造AGV多传感器融合SLAM系统
| 维度 | 内容 |
|---|---|
| 项目名称 | 智能制造AGV多传感器融合SLAM系统 |
| 业务背景 | 工厂内AGV在复杂动态环境中导航，需满足±5cm定位精度，适应动态人员、货架变化。 |
| 规模指标 | 100台AGV，覆盖5万平米，每天运行16小时。 |
| 技术栈 | Livox Mid-40激光雷达，BMI160 IMU，轮速编码器，RTK（备用），LOAM + EKF融合，ROS2。 |
| 核心难点 | 动态物体干扰、长走廊退化、多车外参标定一致性、长时间运行漂移。 |
| 面试高频追问 | 如何解决动态物体干扰？长走廊退化如何处理？多车协同标定方案？如何保证长时间运行稳定性？ |
| 可迁移回答话术 | 突出“场景退化检测→多源冗余切换→回环修正”闭环策略，强调工程实践中的异常处理机制（如退化时降低EKF噪声参数、启动轮速约束）。 |
提示：项目案例在面试中可灵活替换传感器型号与场景，但需保留“退化处理+多源融合+回环修正”的核心逻辑。