京东无人车算法面试（一面）

1.半小时手撕代码，找二叉树中任意两节点之间的路径。
2.C++ final、const修饰成员函数作用。
3.问项目
1）你定位时车速多少，建图时车速多少？
2）你做的二维定位，三维怎么做？
3）对loam框架有什么改进？地面高程差怎么图优化？可以考虑添加GNSS的z值优化高程差效果会更好。里程计先聚类会更好点。
4）遇到什么困难？重影什么原因引起的？
5）IMU去畸变做过没有？10m/s时（高速）用IMU去畸变不行，有什么好方法？
6）你这个语义建图定位是怎么做的？
7）你的标定是GPS和lidar分离，实际中两者在同一个盒子中，固连在一起，怎么标定？
8）工程上有什么技术问题我们互相探讨下？

1. 我们用的是scout公司生产的UGV小车，车速控制在0.5m/s~2m/s；
2. 我们采用UGV小车搭载激光雷达和IMU采集环境数据，然后使用LOAM算法进行定位与地图构建；
3. LOAM框架的改进：
   LEGO-LOAM：提取地面点并去除地面点，提取分割点，在分割点基础上进行边角点-边角线匹配、平面点-平面线匹配，添加基于ICP的回环检测模块，并采用gtsam库对回环因子、里程计因子进行后端优化。该方法提高了slam效率，但是点云图较为稀疏。
   Lio-sam：加入imu预积分因子作为点云去畸变的依据，并将里程计因子、建图因子、预积分因子、回环检测因子一同加入GTSAM后端优化。
   Sc-lego-loam：采用scan-context（全局描述符）方法进行回环检测，提高场景识别效率。
   地图高程差怎么优化：
   加地面高度约束？地面距离激光雷达的高度是保持不变的，能否以这个为切入点来优化高程差？我跑legoloam的时候就经常跑到天上去，大概是因为lego是剔除地面点的？loam虽然不是轻量级的，但是他没有剔除地面点，跑出来的效果也不错。或许在做帧间匹配提取特征点的时候，尽量保持一定占比的地面点？
4. 重影：
   点云太过稠密？杂质点太多？匹配的不准？
5. Imu去畸变：
   参考lio-mapping和lio-sam；高速运动状态下用匀速运动假设，低速或变速状态下用IMU？
6. 语义图
   采用几何特征来表征每帧点云图，并基于该几何特征图来执行场景识别或回环检测中的相似度评价
7. 没试过。。。
8. 激光slam、车道线检测、路沿检测、回环检测等跑过的代码。。。以及激光雷达强度信息如何使用、激光雷达在工程上的安装高度与角度、激光雷达在安防上的应用、激光雷达在目标检测上的应用？