📚 课程目录第2章高频技术面试问题

第2章 SLAM基础理论：状态估计、卡尔曼滤波、BA原理

  本章定位：面试中最核心的“数学功底”考察章节。面试官会从概率框架、线性代数、优化理论三个维度快速判断你的基础扎实程度。回答需展示公式推导能力、算法演进脉络以及工程落地意识。

面试问题	请解释SLAM中的状态估计问题，并说明最大后验估计（MAP）与最大似然估计（MLE）的区别。
面试官考察点	概率基础、贝叶斯框架、先验理解；能否用数学语言简洁描述SLAM优化本质。
回答框架	定义本质：SLAM状态估计是在观测数据下求联合概率的后验最大化。核心公式：MAP = P(X\|Z) ∝ P(Z\|X)P(X)；MLE = argmax P(Z\|X)，忽略先验。 SLAM角色：视觉SLAM常用MAP（如ORB-SLAM的局部BA）；MLE仅用于无法获取先验的场景。对比总结：MAP有正则化效果，防止过拟合；MLE更容易陷入局部最优。
示例回答	“SLAM状态估计本质是求解后验概率最大化。MAP包含先验，形如 X̂ = argmax ∏P(z\|x) P(x)；MLE忽略先验，只依赖观测。在ORB-SLAM中，局部BA使用MAP约束运动先验，而初始化通常用MLE。” ✅ 加分点：说出“贝叶斯网络”或“因子图”
可能追问	追问1：为什么SLAM中MAP更常用？追问2：若先验不准确会怎样？追问3：如何避免MAP陷入局部最优？
避坑提醒	❌ 不要只背公式，必须举例说明SLAM场景中的先验来源（如IMU预积分、匀速运动模型）。

面试问题	请讲解卡尔曼滤波的5个公式，并说明在SLAM中如何应用扩展卡尔曼滤波（EKF）？
面试官考察点	KF数学框架、线性化手段（雅可比）、EKF局限性；能否自然引出UKF或ESKF。
回答框架	KF五公式：预测（均值、协方差）；更新（卡尔曼增益、状态更新、协方差更新）。 EKF线性化：运动模型/观测模型泰勒展开至一阶，用雅可比矩阵代替原矩阵。 SLAM角色：Monocular EKF-SLAM（MonoSLAM），维护状态向量含相机位姿与路标点。局限：线性化误差导致不一致；计算量O(n²)；适合小规模场景。
示例回答	“KF由预测和更新两步构成：x̂ₖ⁻=A x̂ₖ₋₁ + Buₖ，Pₖ⁻=APₖ₋₁Aᵀ+Q；Kₖ= Pₖ⁻Hᵀ(HPₖ⁻Hᵀ+R)⁻¹。EKF通过雅可比线性化非线性模型，在MonoSLAM中用于实时估计相机位姿和稀疏地图点。但它假设高斯噪声，且雅可比近似可能引入误差。” ✅ 加分点：提到“ESKF（误差状态卡尔曼）”处理SLAM中旋转的局部线性化
可能追问	追问1：EKF与UKF的本质差异？追问2：为什么EKF在SLAM中逐渐被图优化取代？追问3：ESKF如何解决方向表示问题？
避坑提醒	❌ 切忌只背诵公式不解释“SLAM状态向量如何随时间增加？”务必说明新增路标点时的协方差扩张机制。

可能追问	追问1：Schur消元的实现细节？追问2：BA如何应用核函数抑制外点？追问3：Huber核函数对代价的影响？
面试问题	请解释光束法平差（BA）的原理，以及其在SLAM后端优化中的作用。
面试官考察点	最小二乘优化理解、稀疏性利用、Schur消元、BA与图优化的关系。
回答框架	定义：BA同时优化相机位姿和3D点，使重投影误差平方和最小。数学形式：argmin Σ\|\|π(P,X) − x\|\|²（通常用LM算法求解）。稀疏性利用：Hessian矩阵具有箭状稀疏性，通过Schur消元先消去路标点，降低计算量。 SLAM角色：局部BA维持轨迹精度，全局BA（回环后）消除累积漂移。
示例回答	“BA通过最小化所有观测的重投影误差来联合优化相机位姿和3D点。其Hessian矩阵是稀疏的，可利用Schur消元先求相机增量再反算路标。在ORB-SLAM中，局部BA优化共视关键帧和局部地图点，全局BA在回环矫正后运行，将误差分散至整个轨迹。” ✅ 加分点：指出BA可以看作最大似然估计（高斯噪声假设下）
避坑提醒	❌ 不要只说BA概念而忽略“为什么要用Schur消元”？必须解释计算复杂度从O(N³)降至O(M³)（M为相机数，N为路标数）。

📌 进阶思考： 面试官常会追问“为什么现代SLAM更倾向图优化而非EKF？”核心差异在于：图优化通过迭代线性化（多轮）逼近非线性最优解，而EKF只做一次线性化。尤其在大场景、长时间运行时，BA/图优化的全局一致性远超EKF。