面试20场，我总结了面试问题及解答！激光+IMU融合定位方向

原文链接：面试20场，我总结了面试问题及解答！激光+IMU融合定位方向

大家好，我是小6，我们SLAM知识星球里很多小伙伴即将开始实习、求职，为了能够让星球里所有小伙伴能够顺利找到工作，在此号召大家一起对自己曾经参与过的笔试、面试问题进行总结和复盘，既能帮自己梳理知识点，也能和大家一起讨论解题思路和技巧。以下是某位星球朋友的分享，欢迎大家对提出的问题进行补充，回答，讨论。

图片

以下是正文

去年经历的面试不下20场，有的很水，有的问出来的题目非常有水平，趁这个机会整理出来遇到的不会的问题，供各位同行讨论。

类型：社招，远程面试+笔试

岗位：SLAM算法工程师

下面的问题不分先后，传感器是激光+imu的多传感器融合定位。

注意以下所有问题都是使用激光+imu做融合定位的。

问题1：在无人叉车室内场景中，我们已经有了一张地图。在此地图中做定位，当叉车停止的时候，此时我们的定位算法依然会输出位姿。但是此位姿会有跳动，根据算法的精度不同跳动幅度有大有小。比如x坐标在1.13米~1.16米之间来回跳动，那么问题是，坐标这样跳动的时候，到底这中间哪个值是它的真实位置呢？

解答：当时我的回答的是：平时我们的叉车定位精度就是2个厘米，那么到了作业点的时候，叉车停止，此时我们的叉车控制权交给了目标检测那里，来微调叉车位置，以对准托盘的插孔，也就是真实位置。

这个问题后来和同事商量后，猜想面试官可能想让我答得是：只要我定位的时候和之前建好的图是一个世界坐标系原点，也就是保持地图一致性就行了，只要我在这张地图上定位就不用考虑这个真实位置，因为建图的目的就是为了在这张地图定位。而室内场景，没有类似gnss这样的绝对位置传感器，所以不可能得知哪个值是它的真实位置。

问题2：地图更新问题，同样是室内叉车场景。假定叉车从一个充电桩开始出发，充电桩附近基本无场景变化，到日常的工作区域，但是工作区域的场景变化了，导致位姿会有跳动甚至位姿直接跑飞了。怎么解决。

解答：我当时没有用过里程计的经验，这道题没有答上来。面试官给的提示是：到了变化较大的工作场景后，当匹配得分逐渐增大的时候，先用里程计撑一会，此时给点云匹配很小的权重。

现在我看论文研究后，知道这是一类地图更新问题，可以选择边建图边定位的方法，在建图的时候将关键帧位姿+点云+因子存下来。若经过这样的场景变化较大的区域，替换这附近关键帧位姿对应的点云+位姿+因子，再执行一次优化。

当然这还涉及到怎样识别出场景变化大的问题。要么配合机器学习识别出哪些是变化的物体，要么还是根据里程计来判断。

还有种方法是贴一些反光板或者在此区域中，只匹配一些固定区域的线面特征，但这就对环境和操作者提出了要求。

问题3：讲一下liosam大概的流程，面试官提了一个点：liosam比别的算法好的一个点在于，执行完因子图优化后，它有一步做了什么？换个问法：liosam执行完因子图优化后，还做了一步，这是比别的算法亮眼的地方。做了什么？

解答：liosam大概流程：1.激光运动畸变矫正，2.特征提取，3.scantomap匹配，4.因子图优化，5.回环检测。不知道做了啥令它比别的算法亮眼……

面试官答：还做了一步将执行完优化后的位姿作为下次预积分的基础。

问题4：重定位问题

解答：这类问题我自己没有做过，只是用了最简单的扇形区域搜索匹配得分最小的作为初始位姿。只能和面试官提一些看过的方法。在建图时保存下来一些线面特征，类似视觉的词袋模型，然后在全局搜索的时候，匹配线面特征。还有就是分块搜索，但是这种准确率并不高。

问题5：由于我的项目经验里有把整套slam框架从ros剥离的经验，因此面试官问了为什么要脱离ros？

解答：ROS在每次循环时，会逐个遍历各个subscriber的缓冲区，并且把缓冲区中的数据读完，不管有多少。我们在subscriber的callback中解析数据的时候，一般都是把数据赋给一个变量，然后在融合的时候使用最后更新的值作为输入。

问题在于当融合算法处理时间比较长，超出了传感器信息的发送周期的时候，未被接收的数据会被放在每个subscriber对应的缓冲区中，等当前融合步骤处理完之后，下次ros从缓冲区中读取数据的时候，会先把gnss的数据读完，然后再读lidar的数据，这就导致，我们再一次进入lidar_callback函数时，使用的gnss_data已经不是和这个lidar_data同一时刻的数据了，而是它后面时刻的数据。

希望可以降算力，因为ros里面很多东西是冗余的，我这个产品，给到客户那里，他们只希望得到的是定位数据。那么ros里面很多东西比如tf，比如rviz显示，包括这种消息订阅回调机制，都是用不到的，所以我脱离ros这个框架，只保留了程序必要的部分。

再一个有遇到客户那边也觉得，他们觉得ros这个框架不可靠，也提出过让我们脱离ros来做。也是为了方便后续的算法移植。

问题6：ESKF比EKF的优点

解答：1.误差状态自由度和实际位姿自由度相等，它避免了过参数化引起的协方差矩阵奇异的风险。2. 误差状态总是接近于0，也就是通常在原点附近，这样远离了奇异值、万向节锁等问题，从而确保卡尔曼滤波时候的合理性和有效性。3.误差状态通常很小，因此二阶项都可以忽略，这样计算雅克比时会很快。4.误差状态的动态变化较慢，这是因为大的信号动态性被积分到了标准状态，那么它的更新频率要比预测频率低。我们的系统中imu频率100hz，而观测只有10hz。

问题7：用优化的方法求解根号x。

解答：这题首先要推公式，求出迭代公式然后在迭代后，判断是否超过了一个很小的数比如1e-7，超过了就停止。迭代公式就是根据直线方程求得的，直线方程的斜率就是x方的导数，也就是2x。值得注意的是这只是整数的平方根，如果要求小数比如0~1之间的数的平方根就是另一种做法了，暂未研究。首先要做出一条抛物线，抛物线的方程式，之所以这样做是因为我要令这条抛物线在x>0的时候和x轴相交，这样交点即给定的那个数。然后我要在这条抛物线上做切线，每个切线的斜率就是2x，第一个切线的切点就是x=给定的那个数，y就是，而这条切线和x轴的交点就是(x1,0)，这条切线目前就有了两个点(x0,x0^2 - c),(x1,0)，斜率是2x0，那么这条线就可以确定了，之后推导出x1=0.5*(x0+C/X0)，这个就是迭代公式，那么x2也就由x1推导出来，依次找下去，直到相邻两次足够小，就返回。

class Solution {
  public:
  int mySqrtInt(int x) {
    if (x == 0) {
      return 0;
    }

    double C = x, x0 = x;
    while (true) {
      double xi = 0.5 * (x0 + C / x0);
      if (fabs(x0 - xi) < 1e-7) {
        break;
      }
      x0 = xi;
    }
    return int(x0);
  }
  
  double mySqrtDouble(int x) {
    if (x == 0) {
      return 0;
    }

    double C = x, x0 = x;
    while (true) {
      double xi = 0.5 * (x0 + C / x0);
      if (fabs(x0 - xi) < 1e-7) {
        break;
      }
      x0 = xi;
    }
    return x0;
  }
};
```\

以上就是这位星友的分享，对于其中的问题的 解答，读者或许有自己的理解，欢迎留言补充、讨论、交流。