2024年自动驾驶SLAM面试题及答案(更新中)

自动驾驶中的SLAM(Simultaneous Localization and Mapping,即同步定位与地图构建)是关键技术,它能够让车辆在未知环境中进行自主定位和地图建构。秋招来临之际,相信大家都已经在忙碌的准备当中了,尤其是应届毕业生。面试题对大家来说是很重要的,面试时第一轮基本上都是理论考察,给大家准备了 2024年自动驾驶SLAM面试题及答案(持续更新......),这边会持续收集和更新,希望能给大家带来帮助。
1、简述卡尔曼滤波
卡尔曼滤波(Kalman filter)是一种高效的自回归滤波器,它能在存在诸多不确定性情况的组合信息中估计动态系统的状态,是一种强大的、通用性极强的工具。它的提出者,鲁道夫.E.卡尔曼,在一次访问NASA埃姆斯研究中心时,发现这种方法能帮助解决阿波罗计划的轨道预测问题,后来NASA在阿波罗飞船的导航系统中确实也用到了这个滤波器。最终,飞船正确驶向月球,完成了人类历史上的第一次登月。

2、你认为ORB-SLAM3和VINS-Fusion的几个不同点?

(1)在IMU的偏差方面:ORB-SLAM3同时考虑了加速度计和陀螺仪的偏差,并且将其放在目标函数中与重力方向,尺度因子等待优化变量共同优化,在inertialoptimization函数中;VINS只估计了陀螺仪的偏差,并且是将其考虑成非线性的,将其独立出来单独优化,没有采用g2o求解器,而是直接一次高斯牛顿迭代解决,在initial_alignment.cpp中的solverGyroscopeBias中。

(2)在速度,重力,尺度因子方面:ORB-SLAM3与IMU偏差共同估计,通过最大后验估计并取负对数将其转换成包含IMU先验残差的非线性最小二乘问题,利用g2o去求解inertial-only map下的因子图,速度,尺度与重力方向都是顶点;initia_alignment.cpp中的linearalignment(),首先根据预积分量的约束,将世界坐标系转换成相机在t0时刻的坐标系,转换成线性最小二乘问题ceres求解。

(3)在IMU的优化内容方面:ORB-SLAM3的inertialoptimization中默认各个关键帧对应的IMU的pose是一致的,只优化了IMU的速度,在初始化成功后的5秒和15秒又再次初始化;VINS状态估计器中的Estimator::visualInitialAlign(),计算陀螺仪的偏置校准(加速度偏置没有处理),同时更新了Bgs后,IMU repropagate;得到尺度s和重力g的方向后,转换到第一帧坐标系,然后转换到世界坐标系。

(4)在重力g的优化方面:ORB-SLAM3代码中在g与速度等待优化变量的目标函数求解后直接对齐,得出结果,没有看到更多的判断;VINS在linearalignment中RefineGravity进一步细化了重力,在其切线空间上用两个变量重新参数化重力,迭代四次,对状态向量重新优化。

(5)在惯性系的对齐方面:ORB-SLAM3在IMU的优化过程中目标函数求解过程同时解算除了优化后的rotation matrix;VINS计算出重力在第一个关键帧的测量值后对重力进行参数化,限制模长,判断误差是否大于百分之五,然后重力细化,进行坐标系的对齐。

(6)在scale的优化方面:ORB-SLAM3在初始化及其之后的100秒之内不断优化尺度和重力方向;VINS只在初始化的过程进行优化。

(7)在求解形式方面:ORB-SLAM3使用SO(3)求解;VINS使用四元数求解。

3、粒子滤波器设计时,重采样的作用及如何实现?

重采样主要是为了解决经典蒙特卡洛方法中出现的粒子匮乏现象。其主要思想是对粒子和其相应的权值表示的概率密度函数重新进行采样。通过增加权值较大粒子和减少权值较小粒子来实现。重采样虽然可以改善粒子匮乏现象,但也降低了粒子的多样性。因此,重采样过程中一般选取一些准则来判断有效粒子的个数,通过这个个数来判断是否进行重采样。

4、IMU相对车体安装角度误差如何标定?

如果条件允许(具有通视条件等),可以通过光学标定安装基准面。如果不具备光学标定条件,可以将IMU安装到位 ,让载体运动起来,接入外部速度和位置等基准信息,将安装误差引入状态方程,通过迭代让其收敛。如果载体可以整体放到转台上,也可以利用重力加速度矢量和转台参考信息对其标定。

5、如何应对gnss缓慢漂移的问题

1、静态漂移。当GPS终端静止的时候,其定位坐标在某个范围不停地变化,甚至还会显示出速度,这便是静态漂移。

2、定位点漂移。定位点漂移指两点之间的漂移距离超过100米或芯片软件设置的门限距离,且无速度数据,过一段时间后又以同样的距离回到原点。这种情况常反映在星历气候,模块干扰,2D定位和3D定位瞬间变化的过程中。此漂移方向没规律性,较难处理。

3、定位精度漂移。常反映在运动过程中,突然在某一点漂移出去,然后又瞬间漂移回来,有时带有速度,有时不带速度数据。多为信号折射干扰引起,突然有一个很强的折射信号参与定位所致。折射信号一丢失,又恢复正常定位精度。

4、叠加漂移。多反映在2D定位时,定位点沿着一定的方向连续漂移,每个点之间的距离不大,并带有速度,当漂移到一定距离后,又慢慢地漂移回原点。此漂移一般是由于GSP模块长时间处于弱信号,或设备受到干扰引起。


更多内容(看第一段标蓝部分),持续更新中

相关推荐
脆皮泡泡8 分钟前
Ultiverse 和web3新玩法?AI和GameFi的结合是怎样
人工智能·web3
机器人虎哥11 分钟前
【8210A-TX2】Ubuntu18.04 + ROS_ Melodic + TM-16多线激光 雷达评测
人工智能·机器学习
码银18 分钟前
冲破AI 浪潮冲击下的 迷茫与焦虑
人工智能
何大春22 分钟前
【弱监督语义分割】Self-supervised Image-specific Prototype Exploration for WSSS 论文阅读
论文阅读·人工智能·python·深度学习·论文笔记·原型模式
uncle_ll30 分钟前
PyTorch图像预处理:计算均值和方差以实现标准化
图像处理·人工智能·pytorch·均值算法·标准化
宋1381027972030 分钟前
Manus Xsens Metagloves虚拟现实手套
人工智能·机器人·vr·动作捕捉
SEVEN-YEARS34 分钟前
深入理解TensorFlow中的形状处理函数
人工智能·python·tensorflow
世优科技虚拟人38 分钟前
AI、VR与空间计算:教育和文旅领域的数字转型力量
人工智能·vr·空间计算
cloud studio AI应用44 分钟前
腾讯云 AI 代码助手:产品研发过程的思考和方法论
人工智能·云计算·腾讯云
ifanatic1 小时前
[面试]-golang基础面试题总结
面试·职场和发展·golang