面试20场，我总结了面试问题及解答！激光+IMU融合定位方向

IMU在slam系统中的应用(二)

在IMU在slam系统中的应用(一)中给出了IMU模型的连续形式，这一部分将给出IMU运动模型和预计分模型推导以及具体代买实现。 （1）离散形式的IMU运动模型 欧拉法：k+1时刻的状态由k时刻的测量值计算 假设k时刻的加速度测量值为，角速度测量值为，那么（不考虑噪声）实际真值为： 那么考虑k+1时刻的状态为： 中值积分法：k+1时刻的位姿用k时刻和k+1时刻测量值的平均值计算 假设k时刻的加速度测量值为，角速...

双非自学！我上岸了，分享下踩过的坑（感知与融合岗）

本硕双非院校（考研失利），无名校背景。本科电子信息工程（武汉），硕士计算机技术（上海）。曾经拿过学校的智能汽车竞赛一等奖，参赛过程中受益良多，我想对智能汽车的兴趣就是从那时候开始的。

2021年第二季度某大厂感知融合算法工程师真实面试面经 - C++部分

2021年第二季度某大厂感知融合算法工程师面试 - C++部分和解答 1. 继承与内存相关问题 在C++的继承中，子类会继承父类中除构造函数和析构函数之外的所有成员（正所谓儿子无法继承父亲的生死） 。 1.1 虚表有什么用？ 搞清虚表是什么，以及C++的内存管理机制。 参考文献：C++虚表详解、【C++拾遗】 从内存布局看C++虚继承的实现原理 类在定义的时候建立一张虚函数分配表(vtable),再通过一个指针(ptr)指向这张表,当子类改写某个虚函数的时候,只要改写vtable中相应的虚函数即可. c

IMU传感器和预积分

最近看了深蓝学院的VIO课程, 学到了很多, 现将课程内容总结如下. 惯性测量单元（英文：Inertial measurement unit，简称IMU）是测量物体三轴姿态角(或角速率)以及加速度的装置,由一个陀螺仪和一个加速度计组成. IMU的数学模型 IMU的误差模型 IMU的误差包括确定性误差和随机误差,确定性误差包括:Bias Scale,非对齐误差等. Bias:理论上，当没有外部作用时，IMU传感器的输出应该为0。但是，实际数据存在一个偏置b。加速度计bias...

大疆Livox Mid-40 SLAM

原博主琨特，本人便于学习写到了自己的账号下，见谅。 介绍基于Livox三维激光雷达和开源LOAM-Livox进行定位和建图实验。 目录 1、简介 1.1 Livox Mid-40三维激光雷达 1.2 基于LOAM-Livox的SLAM开源方案 2、Livox Mid-40驱动安装 2.1 编译和安装Livox SDK 2.2 Livox ROS Driver驱动安装 2.3 运行Livox ROS Driver驱动 3、LOAM-Livox开源方案编译 3.1 需要的环境和库 3.2 LOAM-Livox构

车载功能测试都要做什么？总结来了！（下篇）

多数功能都是依靠的前置传感器(经过Lidar、Radar、Camera融合)，比如ACC、AEB、LKA、NOA、TJA、FCW等，只有少数涉及周视传感器，比如BSD、CVW、DOW。③如果前面有车切速度小于自车车速，自车减速对减速度有要求，比如3.5m/m2，④如果前车静止了，自车有个跟停距离要求，比如2-3m。试验场有不同曲率的弯道，比如125m、250m、500m的，根据需求跟车行驶，看是否会减速，能不能驶出弯道等。迭代内容：底层通讯、网络管理、诊断、刷写、信息安全、OTA。

为SegBot机器人构建高效笔记命令系统：从文档到可执行工具

在机器人开发中，项目知识管理与团队协作效率是核心挑战。传统静态文档存在查找不便、执行繁琐、更新滞后等问题。通过将命令行工具与脚本化实践相结合，可以将分散的操作知识系统化、工程化，形成动态可执行的命令集合。这种实践能显著降低认知负担，提升项目可持续性。具体到SegBot机器人项目，可以基于Shell脚本或Python CLI构建分层命令系统，将启动、校准、导航等高频操作封装为标准化笔记，实现快速查询与一键执行。这不仅是技术文档的升级，更是融入版本控制、与开发流程深度集成的效率工具，尤其适用于ROS开发等复杂场

读懂AI Agent：基于大模型的智能体（类openclawd的框架通解）

大模型技术发展趋于成熟后，业界重点正转向AI Agent（智能体）的实际应用。AI Agent是一种能够感知环境、自主决策并执行任务的智能实体，由大模型、插件和执行流程构成，具备记忆、逻辑分析和任务拆解能力。其技术演进经历了符号逻辑、响应式、强化学习等阶段，现在以大模型为核心大脑，展现出自主性、反应性、主动性和社会能力等关键特性。AI Agent通过自然语言交互实现复杂任务自动化，能显著降低操作门槛并释放人力，已在软件开发、科研等领域展现应用潜力，被视为实现AGI的重要路径。当前研究重点在于如何克服大

十七.激光和惯导LIO-SLAM框架学习之IMU和IMU预积分

IMU 介绍及选型 IMU的全称是惯性测量单元，包括⼀个三轴的加速度计以及一个三轴的陀螺仪，分别测量出物体的加速度和角速度信息，不受周围环境结构，光照等外界因素影响；IMU可以获得当前时刻的角速度和加速度值，通过该值可以对系统状态（位置，速度，姿态）进行推算。 通常IMU的输出频率在100-1000hz之间，远高于相机或者激光雷达的输出频率，一方面可以提高整体系统的输出频率，另一方面，可以在视觉或者激光短期失效的时候提供一段时间的位姿推算。 在大多数的LIO（雷达惯性里程计）或者VIO（视觉惯性里程计

雷达与imu初始化：鲁棒且实时的雷达惯性初始化方法

功能包名称github地址效果展示b站地址功能包简介：LiDAR_IMU_Init 是一个鲁棒的、实时的激光雷达与惯导系统的初始化方法。所提出的方法校准了 LiDAR 和 IMU 之间的时间偏移和外部参数，以及重力矢量和 IMU 偏差。该方法不需要任何目标或额外的传感器、特定的结构化环境、先验环境点图或外部和时间偏移的初始值。从 FAST-LIO2 修改的稳健的 LiDAR 里程计（Fast LO）。无需任何硬件设置即可在 LiDAR 和 IMU 之间进行快速且稳健的时间偏移和外部参数校准。

自动驾驶定位面试以及参考答案

一、惯性导航方向 IMU测量方程是什么？噪声模型是什么？ 惯导误差模型是怎么来的？比如15维的卡尔曼滤波模型。 GPS双天线安装偏角是怎么标定的？ 多传感器之间是怎么对时的？ GPS到来时是有延时的，而IMU给出的加速度和角速度是实时的，这种情况下怎么处理延时？怎么做的融合？ DR递推的原理是什么？大概怎么去做？ 组合导航卡尔曼滤波过程噪声是如何调参的？ 二、点云算法方向 最近邻问题有哪几种典型解法？ 怎么对KdTree进行插入操作？怎么确定一个节点的分类面？ 怎么对

SLAM算法面试常见问题总结

写于文前:要找工作了。毫无头绪。只能将网上关于slam的面经总结一下，希望有用。祝大家找到好工作！ 首先感谢https://zhuanlan.zhihu.com/p/76280626；https://www.cnblogs.com/xtl9/p/8053331.html的面经。 1.解释下卡尔曼滤波？ . 卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计...

CV面试题目总结（三） - 传统图像算法

目录 1.常见图像滤波。 2.常见图像分割算法。 3.常用边缘提取算子。 4.解释一下BN（Batch Normalization）。 5.解释一下L1、L2范数。 6.常用卷积类型。 7.常见的池化。 8.介绍一下卡尔曼滤波。 9.什么是生成式模型和判别式模型。 10.贝叶斯是生成式模型还是判别式模型。 11.介绍一下朴素贝叶斯，为什么朴素？ 12.有哪些传统梯度算法？ 13.有哪些边缘检测算法。 14.常见的损失函数。 1.常见图像滤波。 2.常见图像分割算法..

2024年自动驾驶SLAM面试题及答案（更新中）

（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；（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；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。

视觉SLAM 面试题 4 IMU预积分为什么可以避免重复传播？

IMU预积分与通常积分相比，解决了初始状态更新时以及加速度计、陀螺仪偏差变化时所导致的积分重新计算问题。其主要思路是计算两个关键帧之间的状态增量，当初始状态变化，就在原来增量基础上乘以初始状态的变化量；当偏差变化时，则通过求取预积分量关于偏差的雅各比，实现预积分的一阶线性近似更新。来源：旷视slam算法岗位。

SLAM面试总结

作者：小葡萄 链接：https://zhuanlan.zhihu.com/p/68858564 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。关于面试题目我的目标公司是做自动驾驶或者机器人的公司，每个公司的面试不太一样。一种是先让你讲项目，一般在讲的时候会随时问问题，之后再是考一下基础SLAM问题和算法等。另一种是不让自己讲项目，面试官根据你的简历去不断深入发问。下面把我遇到的问题列举一下。 有时间的话最好把基础的SLAM算法自己实现一遍，比如PnP、ICP、BA等；多刷基

SLAM面试题汇总

slam面试题目

电机控制常见面试问题（十）

Kalman滤波器是基于线性系统模型和高斯噪声假设的最优估计算法，通过预测（基于状态转移方程）和更新（利用观测数据修正）两步递归迭代，最小化状态估计误差。其核心是贝叶斯推断，输出包含状态估计和协方差矩阵（表示不确定性）。而EKF（扩展卡尔曼滤波）针对非线性系统，通过泰勒展开线性化非线性模型（状态方程和观测方程），将非线性问题转化为线性近似后应用Kalman滤波，但需计算雅可比矩阵，且存在局部线性化误差。