slam面试问题大合集

数学通用

卡尔曼滤波状态预测的协方差矩阵如何计算？

这个是状态方程（线性的，非线性的要泰勒展开线性化）

这个是噪声的模型（默认是服从标准正态分布）

这个是预测，也就是题目问到的内容，协方差矩阵的预测值，类似于D(ax+y) = a^2 D(x)+D(y)【假设x,y相互独立】。

以上两个式子是更新方程，9.16；9.17是K值的获取步骤

 扩展

扩展卡尔曼滤波更新方程。原理其实就是矩阵泰勒展开，然后因为不是线性的也没法写成Ax+b这样的形式了；并且向量的一阶导数，雅可比矩阵（还好不用海森）它的计算还是后面要提到的，这里就先给出结论式：

 简述PnP原理和适用场景

PnP是求解3D到2D点对的运动方法。已知n个3D点坐标和其对应的2D相机投影点坐标，求解相机位姿，其中至少需要3对点（3D-2D）可求解（平移+旋转一共6个自由度）。

其中求解方法有：DLT（直接线性变换法，至少6对点，因为旋转平移矩阵3*4个未知量），P3P（余弦定理、三角形相似），EPnP等，也可以使用优化法。

应用场景：视觉里程计跟踪过程中，相机的位姿估计；

光流跟踪在快速运动过程中，跟踪容易失败，有什么解决方法？

原因：快速运动跟踪失败原因是相邻两帧之间相同特征点距离过远（光流的假设是像素梯度在某一局部窗口内有效），光流跟踪不到，因此失败。

解决方法：光流金字塔。

在特征点法slam中，如何增强特征描述子之间的区分度？

增加方向等信息，提高描述子的区分度。例如BRIEF描述子增加了方向信息，改进后的Steer BRIEF具有旋转不变性。

 常用库

Eigen

矩阵求逆方法（直接法，qr分解，svd分解）

直接法：

mat.inverse()

qr分解或者svd分解：