海柔创新 SLAM 一面：八股密集的项目面

《面试题目》

1. 自我介绍，以及论文介绍（被要求加快进度）。
2. 实习的 SLAM 项目介绍。
3. SLAM 相关八股：贝叶斯公式等基础理论。
4. 你接触 SLAM 多久了？
5. 有没有看过 SLAM 相关的网课？

《参考解析》

贝叶斯公式在 SLAM 里有三个落点，答的时候按这三个讲最稳。 公式本身是 P(x|z) = P(z|x)P(x)/P(z)，即后验正比于似然乘先验。第一处是贝叶斯滤波：预测步用运动模型把先验传播出去（高斯假设下就是均值与协方差的外推），更新步用观测似然修正后验，卡尔曼滤波就是线性高斯假设下贝叶斯滤波的解析解；EKF 用一阶泰勒展开把非线性模型线性化（雅可比矩阵进协方差传播），UKF 改用 sigma 点过一遍非线性函数再统计，避免雅可比推导与强非线性下的偏差。第二处是图优化与因子图的概率解释：最大后验估计等价于最小化负对数后验，所以最小二乘残差前面的信息矩阵就是噪声协方差的逆——这解释了「为什么观测越准的因子权重越大」。第三处是数据关联与回环判断：某个观测更像环境里的哪一处，本质上是用似然比或马氏距离（卡方检验）做假设检验。追问常落在「为什么卡尔曼要求线性高斯」「EKF 的一致性为什么会被破坏」（线性化误差让协方差被低估，导致滤波器过度自信），这类问题答出「一致性问题」比背公式更值钱。

状态估计的算法选择要能讲出取舍维度，而不是只报名字。 常见选项是 KF / EKF / UKF / 迭代 EKF / ESKF / 粒子滤波 / 因子图。取舍看四件事：非线性程度（强非线性上 UKF、粒子滤波更准，但粒子滤波的计算量随维数爆炸）、算力预算（嵌入式平台常常只能跑 ESKF）、一致性（EKF 的线性化误差会导致协方差不一致，需要观测门控或 IEKF 改善）、以及是否需要全局最优（因子图加回环才能做全局一致优化）。工程上的典型组合是互补的：ESKF 吃 IMU 与轮速做高频里程计，因子图或位姿图做后端与回环，粒子滤波负责全局重定位与初始位姿恢复（类似 AMCL 的角色），三者频率与职责不同。

激光/点云 SLAM 的八股集中在匹配、退化与后端三处。 匹配上要能对比特征法（LOAM 系列提取边缘点与平面点，scan-to-map 迭代优化）与直接法或 NDT 的差异，以及 ICP 家族里 point-to-point 与 point-to-plane 的收敛性差别。退化是高频追问点：长走廊、隧道、空旷库房这类环境里，某些自由度不可观测，正确做法是用信息矩阵（或 Hessian）的特征值判断哪个方向退化，然后沿退化方向降权、并用 IMU、轮速或先验地图补约束——而不是把协方差整体调大糊过去。后端要讲清回环检测（Scan Context、词袋类描述子）与位姿图优化（g2o、GTSAM、Ceres 里残差与鲁棒核的写法）、以及评估指标（ATE、RPE、闭环误差、重访一致性）。这些点即使「只要关键词」，也要能一句话说清是什么、解决什么问题。

仓储场景的 SLAM 还有业务侧的加分点。 地面移动机器人在仓库里更关心平面定位精度与地图维护：货架遮挡、通道狭窄、地面反光、人车混行这些工况会直接影响匹配质量，实际系统常用激光加二维码或反光柱做混合定位，靠已知标识抑制累计漂移。长时间运行的指标是重定位成功率与漂移率，而不是单帧精度；地图更新策略也要说清（什么时候重扫、怎么合并变更、如何回滚到旧地图）。能主动提这些工况与指标，说明理解岗位不是纯学术研究。

应对「只给答案、不要细节」的面试节奏，策略是把知识切成 30 秒版本。 这类面试考的往往是覆盖面与反应速度，答题顺序应该是「先给结论关键词 → 补一句原理 → 主动问要不要展开」，被打断就立刻换回短答，不要在被打断后继续铺垫。值得提前准备成短答的冷门点包括：马氏距离与卡方检验、协方差传播、可观测性与退化、鲁棒核函数、RANSAC 的概率解释、李群与李代数的必要性（旋转矩阵不能直接线性相加，所以要在切空间上做增量）、以及信息矩阵与不确定度的关系。反问环节建议问清岗位实际内容——是偏工程调参与产品线维护，还是偏新方案预研，避免预期错配。