今日得空，开始愉快的做题！各位看官请指教。
第一部分，先来完成该专题最重要的内容，即笔试面试中所考察的SLAM专业知识。 SLAM知识篇所准备的这些问题不一定全面，但是问题都是基于三位求职者的总结回忆，具有很好的代表性。
可能用到的的参考资料有：
A）《视觉slam十四讲》，入门slam绝对的好书，已经看了很多遍；
B）《机器人状态估计》，已经看完了，经典，书中讲滤波/非线性非高斯过程/李群/位姿估计等等平白中带着严谨，部分内容目前理解不够深；
C）《计算机视觉：算法与应用》，这本书涉及到视觉的知识很广，包含了图像处理/三维几何/摄影学等等，作为参考书是不错的；
D）《MVG》，多视图立体几何，slam领域经典中的经典，但是没有书只有电子版，全英文，内容多而深，我看的不多，如有用到我们再查阅；
E）各种经典的文献，SVO/LSD/ORBSLAM/DSO/Manifold/VINS/PLSLAM等等，真正的把这些好的开源方案理论理解了并阅读源码，确实是要花时间而且对数学编程要求都不低，博主起步慢做得不好……
F）网上的各种资源，尤其是各种博客不失为一种高效的学习资源。
为了图省事，很多地方直接贴照片了。
D1
- landmark参数化方式、对比，逆深度参数化；点线面因子图优化
- 滤波+回环（Trifo-VIO）
- outlier+鲁棒核、RANSAC
- EKF更新方程
图片，来源于A
- AR系统如何实现
这篇博客不错：https://blog.csdn.net/qq_27489007/article/details/78765810
总结一下：
- 介绍下VO
里程计一词来源于汽车，轮式里程计可以通过对车轮的转动可以得知汽车的运动距离。对于机器人而言，简单的说里程计就是机器人的运动轨迹，即求解机器人在每一时刻的位姿表示，有六个自由度； 视觉里程计，机器人携带相机作为外传感器，根据实时的视频流，也就是相机图像信息估计机器人的位姿变换，即六自由度（位置和姿态），例如使用单目相机称为单目视觉里程计，两个相机称为立体视觉里程计。
- Gridmap（网格标0、1）给定起点和终点，求最优路径（A*或其他路径规划算法）
- 相似变换、仿射变换、射影变换的区别
- E和F的区别，自由度计算
- 单应矩阵H的求取
- PNP算法、ICP算法（二维码、手眼标定）
- 闭环检测常用方法（orb、lsd、深度学习）
- 单目的初始化（拓展：双目，RGBD，VIO的初始化及传感器标定），其他：https://github.com/frobelbest/GSLAM
- 简述一下Bundle Adjustment的过程
- SVO、LSD中深度滤波器原理
- 说一说某个SLAM框架的工作原理（svo、orb、lsd）及其优缺点，如何改进？
- RANSAC的框架
- 位姿不同表示间的相互转化、旋转矩阵特征值和特征向量物理意义
- 真实世界到相机照片的变换可看成射影变换
- 直接法与特征点法的优缺点对比
- 常见滤波方法的对比（KF、EKF、IEKF、UKF、PF）
- 双目测距范围Z=fb/d。问题： 640*480，fov＝90°，zmax＝10m，最小视差为2，求使zmax稳定的最小基线长度（6.25cm）
- 特征点法与直接法误差模型、Jacobian推导
- 光流的假设、仿射变换、4种方法，svo采取的方法，优势何在
- MSCKF与ROVIO、MSCKF与预积分（structureless factor）
- 边缘化方式原理