3 基础数学与概率统计高频问题：矩阵运算、概率模型、面试常见题
本章聚焦 SLAM 面试中最常被问到的数学基础：矩阵运算（特征值分解、SVD、最小二乘）和概率统计（高斯分布、卡尔曼滤波、随机采样）。面试官通过这些问题考察你对数学概念的工程理解，而非纯粹推导能力。掌握回答框架，将理论“翻译”到 SLAM 场景，是得分关键。
知识结构表：常见概率分布与SLAM应用对照
| 分布 / 模型 | 核心参数 | SLAM 应用点 |
|---|---|---|
| 高斯分布 | 均值 μ，协方差 Σ | 卡尔曼滤波状态估计、图优化信息矩阵 |
| 均匀分布 | 范围 [a,b] | RANSAC 随机采样、粒子滤波重采样 |
| 卡方分布 | 自由度 k | χ² 检验剔除外点、一致性检验 |
| 伯努利 / 二项 | 概率 p | 特征匹配成功概率建模 |
面试问答卡 1 · 矩阵运算
面试问题：请解释 SVD 分解及其在 SLAM 中的应用。
面试官考察点：是否理解 SVD 几何意义（旋转、缩放、旋转）；能否将其与具体 SLAM 模块（如本质矩阵求解、伪逆、降噪）关联。
回答框架：定义 → 分解式 A=UΣVᵀ → 几何解释 → SLAM 场景举例（本质矩阵恢复、最小二乘解算、点云配准）→ 数值稳定性。
示例回答：“SVD 将任意矩阵分解为左奇异向量 U、奇异值 Σ、右奇异向量 Vᵀ。在 SLAM 中常用于：从本质矩阵恢复位姿（通过 SVD 分解强制秩为 2）、求解超定线性系统的最小二乘解（取最小奇异值对应向量）、以及去除噪声（截断小奇异值）。”
可能追问：① 为什么 SVD 比正规方程更稳定？ ② 如何用 SVD 判断矩阵是否可逆？ ③ 在单目 SLAM 中，本质矩阵的 SVD 分解如何得到旋转和平移？
面试问答卡 2 · 概率模型
面试问题：请推导卡尔曼滤波的预测和更新方程，并说明在 SLAM 中为何常用扩展卡尔曼滤波（EKF）。
面试官考察点：对高斯传播的理解；是否清楚非线性系统面临的问题及 EKF 的线性化处理；能否对比 EKF 与图优化的优缺点。
回答框架：状态空间模型 → 预测（ x̂ₖ|ₖ₋₁ = F x̂ₖ₋₁, Pₖ|ₖ₋₁ = F Pₖ₋₁ Fᵀ + Q ）→ 更新（ K = P Hᵀ (H P Hᵀ + R)⁻¹, x̂ = x̂ + K(z - H x̂), P = (I - K H) P ）→ 非线性：用雅可比矩阵近似 → SLAM 中状态维度高时计算瓶颈。
示例回答：“卡尔曼滤波递归估计状态均值和协方差。预测传递高斯分布，更新用观测修正。SLAM 里程计和观测模型通常非线性，因此采用 EKF：对运动方程和观测方程在状态均值处泰勒展开取一阶近似。EKF 在特征少时高效，但地图规模大时协方差矩阵稠密，计算 O(n³)。”
可能追问：① EKF 的线性化误差如何补偿？（IEKF、UKF） ② 为什么 EKF SLAM 存在不一致性问题？ ③ 如何用无迹变换避免求雅可比？
面试问答卡 3 · 常见面试题
面试问题：最小二乘优化中，为什么需要鲁棒核函数（如 Huber、Cauchy）？它们如何工作？
面试官考察点：是否理解“外点”对平方误差的破坏；知道核函数的数学形式和对梯度的影响；能结合 SLAM 中误匹配、动态物体等场景实例。
回答框架：标准最小二乘对外点敏感（误差平方增长）→ 鲁棒核函数重定义残差 → 常见形式：Huber （二次+线性过渡）、Cauchy （对数衰减）→ 梯度加权 -> SLAM 中图优化使用核函数避免误匹配破坏后端。
示例回答：“L2 损失对外点惩罚过重，导致单个误匹配就能大幅拉偏位姿。鲁棒核函数在残差大于阈值 δ 时改用线性或衰减增长，降低外点权重。例如 Huber 核：|r|≤δ 时用 ½r²，|r|>δ 时用 δ|r| - ½δ²。SLAM 后端图优化中常用 Huber 核抑制错误闭环或动态障碍物的影响。”
可能追问：① Huber 核的 δ 如何选择？（通过中位数偏差 MAD 估计） ② 为什么 Cauchy 核没有硬阈值？ ③ 鲁棒核函数是否会影响图优化的收敛性？
- SVD 的三种应用：本质矩阵恢复、伪逆求解、降噪。
- EKF 的预测/更新方程六个公式（状态、协方差、卡尔曼增益）。
- 鲁棒核函数区分“内部误差”和“外部误匹配”。
- 面试常见延伸：信息矩阵与协方差矩阵的关系、非线性最小二乘与图优化的等价性。