SLAM高频面试问题
这个博客系列会分为C++ STL-面经、常考公式推导和SLAM面经面试题等三个系列进行更新，基本涵盖了自己秋招历程被问过的面试内容（除了实习和学校项目相关的具体细节）。在知乎和牛客也会同步更新（牛客上某些文章上会附上内推码），全网同号（lonely-stone或者lonely_stone）。
关于高频面试题和C++ STL面经，每次我会更新10个问题左右，每次更新过多，害怕大家可能看了就只记住其中几个点。（在个人秋招面试过程中，面试到后面，发现除了个人项目和实习经历外，个人所记录的内容基本能涵盖面试官能问到的）
（另外个人才疏学浅，如果所分享知识中出现错误，请大家指出，避免误导其他人）
1. 如何对匹配好的点做进一步的处理，以保证匹配效果：确定匹配的最大距离阈值，如汉明距离要小于最小距离的两倍；（orbslam）
- 使用KNN-matching算法，令K=2。则每个match点得到两个最接近的descripter，然后计算最接近距离和次接近距离之间的比值，当比值大于既定值时，才为最终match；
- RANSAC（使用RANSAC找到最佳单应性矩阵。由于这个函数使用的特征点同时包含正确和错误匹配点，因此计算的单应性矩阵依赖于二次投影的准确性）
2. 图像放大两倍，内外参怎么变化?
外参和内参中的畸变参数保持不变，但内参为各自变成2倍。
3. 单应矩阵、基础矩阵、本质矩阵的定义，纯旋转的情况是怎样的
- 本质矩阵E和基础矩阵都是在对极几何约束（描述两个视图之间的内在投影关系）中引入的，其中E和F的区别在于有无内参，这也就决定了E表达的是两个相机坐标的三维点的关系，F表达的是像素点关系。
- 而单应矩阵H表述真实世界的一个平面与它对应图像的透视变换，除了相机获取到的图像中的点分布在同一个平面之外。当相机仅有旋转没有平移、物理世界为平面或者物理世界距离离相机足够远的情况下，均不满足E和F，应使用单应矩阵。
- 纯旋转：在相机只有旋转没有平移的时候，此时t为0，导致无法求解R，这时可以使用单应矩阵H求旋转，但是仅有旋转的话，无法三角化求深度
4. 描述PNP
全称（Perspective-n-points，提供了一种解决方案，它是由3D-2D的位姿求解方式，即需要已知匹配的3D点和图像2D点。目前主要使用场景有两个：一是求解相机相对于某2维图像/3维物体的位姿，二是SLAM算法中估计位姿时通常需要PnP给出初始位姿。
- 在1中：我们输入的是物体在世界坐标系下的3D点以及这些点在图像上投影的2D点，求得相机坐标系相对于世界坐标系的转换Tcw；
- 在2中：输入上一帧的3D点，和这些点在当前帧下投影得到的2D点，所以它求的是当前帧相对于上一帧的位姿变换。
5. pnp最少需要几个点？ax=b的求解
pnp最少需要3个点，只有1个点对的自由度是4，2个点对的话，自由度是2。
ax=b求特解，再求通解，加起来
6. （个人补充）PNP(pespective-n-point)算法学习
- 当PNP中N=1时，即只知道一对3D-2D点对的情况下：无数解
- 当PNP中N=2时，即只知道两对3D-2D点对的情况下：无数解
- 当PNP中N=3时，即知道三对3D-2D点对的情况下：四个解，其中一个就是要的那个解
- 当PNP中N=4时，即知道四对3D-2D点对的情况下：先用3个点计算出4组解获得四个旋转矩阵、平移矩阵，然后将第四个点的世界坐标代入公式，获得其在图像中的四个投影（一个解对应一个投影），取出其中投影误差最小的那个解，就是我们所需要的正解。
P3P只需要3个点，
EPNP解法：
- 利用已知的3d点，通过PCA选择4个控制点，建立新的局部坐标系，从而将3d坐标用新的控制点表示出来。
- 然后，利用相机投影模型和2d点，转换到相机坐标系中，再在相机坐标系中建立和世界坐标系同样关系（每个点在相机坐标系和世界坐标系下控制点处的坐标一致）的4个控制点，
- 求解出相机坐标系下的四个控制点的坐标，进而利用ICP求解pose
7. 如何处理关键帧
- 跟踪质量/公式特征点
- 距离关键帧的距离足够远
- 距离上一关键帧的帧数足够多（时间）
8. 为什么要引入李群李代数
旋转矩阵自身是带有约束的正交且行列式为1，他们作为优化变量时，会引入额外的约束，届时优化变得困难，通过李群李代数的转换关系，把位姿估计变成无约束的优化问题。
9. 什么是极线约束
是指同一个点在两幅图上的映射，已知左图映射点为p1，那么右图上的p2一定在左图的极线上，这样可以减少匹配的点数量。对极约束几何意义是P，O1和O2共面，归一化坐标之间的为F，像素之间的为E本质矩阵。
10. 单目视觉slam中尺寸漂移是怎么产生的
单目相机无法根据一张图片得出物体的实际大小，同理不能得出运动的尺度大小。虽然在优化过程中有三角测量，但是三角测量中极小的误差在不断累积之后也会变得很大。