3. SLAM基础理论高频问答
本章聚焦 SLAM 面试中最常被追问的三大基础理论：状态估计、图优化与滤波器对比、李代数。这些概念是评判候选人理论深度的关键标尺。下面先通过一张回答框架图掌握结构化表达思路，再以三个卡片逐个拆解高频问题。
使用指南：回答任何理论问题都先“定义问题 → 分类 → 对比 → 选择 → 总结”，展示系统思维。
面试问题：状态估计中，为什么现代SLAM更倾向使用图优化而非扩展卡尔曼滤波（EKF）？
| 考察点 | 评估对两种后端方法的本质理解、稀疏性意识、实时性与精度权衡 |
| 回答框架 |
|
| 示例回答 | “图优化能多次线性化并利用稀疏性，避免EKF一阶线性累积误差；且图优化自然支持闭环全局修正，在大规模SLAM中精度更高。因此现代SLAM如ORB-SLAM都采用图优化。” （75字） |
| 可能追问 | ① 图优化如何处理闭环检测的拓扑不一致？ ② EKF的“零空间问题”是什么？ ③ 稀疏直接法和滤波器的混合方法见过吗？ |
⚠️ 避坑提醒：不要只说“图优化更好”，要具体说明滤波器的局限性（如一阶线性近似误差、无法处理大尺度闭环）。避免机械背诵关键词，要用例子佐证。
面试问题：解释图优化（Graph Optimization）的基本原理，并说明它与EKF在信息矩阵结构上的区别。
| 考察点 | 对图优化建模、最小二乘求解、信息矩阵稀疏性的理解；能否对比EKF的稠密协方差 |
| 回答框架 |
|
| 示例回答 | “图优化把SLAM建模为图，节点是位姿/路标，边是观测约束。优化时Hessian因局部连接而稀疏，可用稀疏QR或Cholesky快速求解。而EKF协方差矩阵全连接，计算量随状态数立方增长，难以扩展到大规模场景。” （92字） |
| 可能追问 | ① 图优化求解时如何处理马氏距离矩？ ② 若图不稀疏（如稠密光流）该如何调整？ ③ Schur complement（边缘化）的作用？ |
⚠️ 避坑提醒：不要笼统说“图优化更稀疏”，要解释为什么稀疏（图结构局部性）。避免混淆“图优化”和“因子图”，面试时尽量用经典术语。
面试问题：为什么SLAM中要用李群/李代数表示位姿？有什么好处？
| 考察点 | 对旋转矩阵约束（SO(3)）的理解；为什么要无约束优化；李代数与扰动模型 |
| 回答框架 |
|
| 示例回答 | “因为旋转矩阵带正交约束，直接优化易违反约束。李代数so(3)是向量空间，无约束，可用标准最小二乘。通过指数映射保持光滑，且扰动模型简化了雅可比推导，提升优化稳定性。” （81字） |
| 可能追问 | ① 左乘扰动和右乘扰动有什么区别？ ② SE(3)的李代数是什么结构？ ③ 对偶四元数为什么也用于位姿表示？ |
⚠️ 避坑提醒：不要只背“免约束”，要强调实际优化场景中约束带来的数值困难。最好提一下Manifold（流形）概念，展示深度理解。
💡 追问应对策略：当面试官从图优化追问分支问题时，先判断是追问“为什么”还是“怎么做”。如上图所示，每个分支都对应一个深入层面，回答时先点出所属维度（如“这是关于稀疏性利用的问题”），再展开细节，展示知识体系。