SLAM算法面试常见问题总结

最新推荐文章于 2025-06-06 11:09:32 发布

原创

最新推荐文章于 2025-06-06 11:09:32 发布 · 置顶 · 6.3k 阅读

104 ·

CC 4.0 BY-SA版权

文章标签：

#slam面经 #slam常问问题 #slam工作必看

本文总结了SLAM算法面试中的常见问题，涵盖了卡尔曼滤波、滤波与优化的区别、相机与陀螺仪标定、ORB特征提取、特征点方法、四叉树与八叉树原理、PnP与ICP算法、BA流程、坐标系理解、ROS消息机制、几何变换等关键知识点。此外，还探讨了闭环检测、SVO深度滤波器、RANSAC算法和SLAM框架的优缺点。适合SLAM从业者和求职者复习准备。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写于文前:要找工作了。毫无头绪。只能将网上关于slam的面经总结一下，希望有用。祝大家找到好工作！
首先感谢https://zhuanlan.zhihu.com/p/76280626；https://www.cnblogs.com/xtl9/p/8053331.html的面经。

1.解释下卡尔曼滤波？

. 卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。因为观测数据中包括系统中的噪声和干扰的影响，因此最优估计也可以当作是滤波的过程。（顺便复习粒子滤波！）

2.基于滤波和基于优化的区别以及做法？

. slam的后端一般分为两种处理方法，一种是EKF（扩展卡尔曼滤波）为代表的滤波方法，一种是以图优化为代表的非线性优化（BA）方法。主流方法还是图优化。
. 滤波方法的优缺点：（1）优点：在资源受限、待估计量比较简单的情况下，EKF比较有效，经常用在激光slam中。
（2）缺点：存储量和状态量是平方增长关系（存储的是协方差矩阵）。不适合大型场景。现阶段，基于视觉的slam中特征点数据大，滤波方法效率非常低。
.图优化一般分为两个任务：构建图。机器人位姿作为顶点，位姿间的关系作为边；优化图。调整机器人的位姿来尽量满足边的约束，使得误差最小。
EKF和BA的区别：（1）EKF假设了马尔可夫性，k时刻的状态只与k-1时刻有关。（2）非线性优化使用所有的历史数据，全局slam。（3）EKF做了线性化处理，在工作点处用一阶泰勒展开式近似整个函数，工作点较远处不一定成立。（4）非线性优化每迭代一次，状态估计发生改变，会对新的估计点做泰勒展开。
. 总而言之，EKF可被看作是只有一次迭代的BA。

3.相机和陀螺仪之间的外参如何标定？

（1）先来说一下相机和陀螺仪（IMU）的互补作用吧：相机能够进行回环检测校正（IMU）累计误差；IMU能够校正（相机）快速运动时的模糊。
（2）相机与IMU之间的外参包括两部分：first:相机与IMU之间的相对位姿（相机坐标系和IMU坐标系之间的变换）。second：相机与IMU之间的时间差。
（3）终于开始说如何标定了：方法如下（原理不懂）：一：相对位姿在线标定放法（VINS）。二：时间差在线标定方法（依旧是VINS）。
传送门：https://blog.csdn.net/electech6/article/details/95237412。

4.ORB用什么方法提取角点和描述子？

（1）先说ORB吧。Oriented FAST and Rotated BRIEF，该方法是在FAST特征检测和BRIEF特征描述子的基础上提出来的。运行时间优于SIFT和SURF，可以用于实时特征检测。
（2）所以ORB用FAST提取角点（特征点）：连续N个点的灰度有明显的差异；用BRIEF提取描述子：用汉明距离度量二进制差异性。
具体讲解传送门：https://www.cnblogs.com/qiuheng/p/9274583.html