前面将近30篇把SLAM从基础到进阶都过了一遍，从数学原理到具体系统，从传统方法到深度学习。这篇做个收尾，把面试官最爱问的SLAM问题做个汇总。
面试SLAM岗位（不管是视觉SLAM还是激光SLAM），面试官的提问思路通常分三步：基础概念看你是不是真的理解、算法细节看你有没有动手做过、系统设计看你能不能解决工程问题。下面按这个思路来整理。
基础概念类（5题）
1. SLAM是什么？和里程计有什么区别？
SLAM全称Simultaneous Localization and Mapping，同时做定位和建图。里程计只做定位（估计运动），不建图。SLAM的核心价值在于闭环——地图可以反过来帮助定位，形成正反馈。
2. SLAM的前端和后端分别做什么？
前端做帧间运动估计（视觉里程计或激光里程计），输出相邻帧之间的相对位姿。后端做全局优化，利用回环检测和因子图把所有位姿约束放在一起优化，消除累积误差。前端追求实时性，后端追求全局一致性。
3. 什么是回环检测？为什么SLAM必须有回环检测？
回环检测是识别"当前来过"的地方。没有回环检测，SLAM就是纯里程计，累积误差无法消除，走一圈回来地图对不上。回环提供了"跨时间"的约束，让后端优化能把轨迹"拉回来"。
4. 单目SLAM的尺度问题是什么？怎么解决？
单目相机只能观测角度不能观测距离，所以估计的轨迹和地图没有绝对尺度——你无法分辨是走了1米还是10米。解决方案包括：融合IMU提供尺度约束（VINS方案）、用深度学习预测深度（DROID-SLAM）、用已知尺寸的物体做标定。
5. 特征法和直接法的区别？
特征法先提取关键点再匹配，用匹配点的重投影误差做优化。直接法不提取特征，直接用像素灰度值的光度误差做优化。特征法对光照变化鲁棒但计算量大，直接法速度快但对光照敏感。ORB-SLAM用特征法，DSO用直接法。
视觉SLAM核心题（5题）
6. 对极几何是什么？本质矩阵和基础矩阵的区别？
对极几何描述两视图之间的几何约束。本质矩阵E用于归一化坐标（去掉了相机内参），基础矩阵F用于像素坐标（包含内参）。已知内参可以从F推出E，从E分解出旋转和平移（差一个尺度）。
7. PnP问题是什么？常用哪些求解方法？
PnP是根据3D-2D对应点估计相机位姿的问题。常用方法有P3P（3个点的最小二乘解）、EPnP（高效n点算法）、迭代法（先用P3P给初值再用非线性优化精调）。OpenCV的solvePnP函数封装了这些方法。
8. Bundle Adjustment在SLAM中扮演什么角色？
BA是SLAM后端优化的核心。它同时优化所有相机位姿和3D点位置，最小化所有观测的重投影误差。本质是一个大稀疏非线性最小二乘问题，利用稀疏性可以高效求解。
# BA优化的目标函数示意 def ba_cost(poses, points, observations): cost = 0 for obs in observations: proj = project(obs.point, obs.pose) # 3D投影到2D cost += (obs.pixel - proj).squaredNorm() return cost # 最小化这个cost面试官追问：BA的稀疏性体现在哪里？回答：每个3D点只被少数几帧观测到，所以雅可比矩阵大部分位置是零。利用Schur补可以把3D点边缘化掉，只对位姿做优化，维度大幅降低。g2o和GTSAM都利用了这种稀疏性。
9. ORB-SLAM的三个线程分别做什么？
Tracking线程做前端跟踪，每帧提取ORB特征、和参考关键帧匹配、估计当前位姿。Local Mapping线程做局部建图，插入新关键帧、局部BA优化、剔除坏点。Loop Closing线程做回环检测和全局优化。三个线程并行工作。
10. VINS-Mono的IMU预积分是什么？为什么不直接积分？
预积分把两帧之间的IMU测量预先积分成一个相对运动约束，这个约束和当前状态估计无关。好处是当状态估计更新时（优化迭代），不需要重新积分IMU数据，只需要用预积分量做简单修正，大幅减少计算量。
激光SLAM核心题（5题）
11. ICP和NDT的区别是什么？
ICP做点到点（或点到面）的最近邻匹配然后最小化距离，对初始值敏感，容易陷入局部最优。NDT把点云分成体素，每个体素拟合一个正态分布，用概率密度函数做配准，不需要显式的点匹配，对初始值要求更低。
面试追问：实际项目中你怎么选？回答：初始位姿比较准（比如用IMU给了好的初值）就用点到面ICP，精度高速度快。初始位姿不确定或者场景特征不明显就用NDT，收敛域更宽。也可以先用NDT粗配准再用ICP精配准。
12. LOAM的核心思路是什么？
LOAM把点云中的点分为边缘点和平面点。边缘点用点到线距离做配准，平面点用点到面距离做配准。这种分类处理利用了环境中的几何结构，比全局ICP更快更准。LOAM是实时激光SLAM的里程碑。
13. Cartographer的子图（submap）机制是什么？
Cartographer把地图分成多个子图。前端扫描匹配在当前子图中做，子图完成后冻结不再更新。后端用回环检测在所有已完成的子图之间做全局优化。这种设计控制了优化规模，适合大场景。
14. 激光SLAM中的运动畸变怎么消除？
激光雷达是旋转扫描，一帧点云采集过程中传感器在运动，导致点云有运动畸变。消除方法是用IMU或里程计数据估计每个点的精确时间戳和位姿，把每个点都投影到帧开始的位姿下。LOAM和LeGO-LOAM都做了去畸变。
15. 点云下采样为什么重要？常用什么方法？
原始点云数据量巨大（16线雷达每秒约30万点），直接处理太慢。下采样减少点数同时保持几何特征。常用方法有体素滤波（voxel filter，把空间分成网格，每个网格只保留一个点）和随机采样。体素滤波最常用，网格大小是关键参数。
优化与系统题（5题）
16. 图优化中节点和边分别代表什么？
节点代表状态变量（位姿、3D点等），边代表观测约束（里程计测量、回环约束、GPS观测等）。每条边有一个信息矩阵表示约束的置信度。优化就是找一组节点值，使所有边的误差加权平方和最小。
17. g2o和GTSAM的区别？
g2o更轻量，接口灵活，ORB-SLAM用的就是g2o。GTSAM更重量级，有完整的因子图框架，支持增量式优化（iSAM2），代码更规范但学习曲线陡。研究用GTSAM更方便，工程部署g2o更灵活。
18. 关键帧选取策略有哪些？
常用策略有三种：基于共视关系（和已有帧共视点太少就插入新帧）、基于运动量（移动距离或角度超过阈值就插帧）、基于时间间隔（每隔固定帧数插入）。ORB-SLAM用的是共视关系+运动量的组合策略。
19. 怎么评估一个SLAM系统的好坏？
从精度、鲁棒性、实时性三个维度评估。精度用ATE和RPE（evo工具），鲁棒性测试光照变化、动态物体、传感器退化等极端条件，实时性统计前端后端各自的耗时。还要关注内存占用和关键帧管理策略。
20. 你在SLAM项目中遇到过什么坑？怎么解决的？
这是开放式问题，面试官想看你的实战经验。准备几个具体的例子：
初始化失败——IMU静止时陀螺仪噪声导致初始化超时，解决方案是要求用户做特定运动（画8字）来激励IMU。回环误检——走廊里两扇门长得很像被误判为回环，导致地图扭曲，解决方案是提高回环阈值并加几何一致性验证（RANSAC验证回环约束）。优化不收敛——信息矩阵设置不当导致某些约束权重过大，解决方案是仔细调信息矩阵的对角元素。特征点跟踪丢失——快速运动时特征点出视野，解决方案是加入运动模型做位姿预测，减少帧间搜索范围。
这20个问题覆盖了SLAM面试的核心知识点。基础概念、视觉SLAM、激光SLAM、优化系统四大块，每块都挑了最高频的问题。面试前把这些问题的答案过一遍，心里就有底了。
SLAM这个系列从第236篇到这篇，一共30篇文章，从数学基础到具体系统，从传统方法到深度学习，再到性能评估和面试题，基本覆盖了SLAM岗位面试需要的所有知识。
上一篇：第264篇 SLAM系统性能评估
下一篇我们进入导航模块，从ROS2 Navigation2框架开始。
如果这篇文章对你有帮助，欢迎点赞支持一下，你的鼓励是我持续更新的动力！
