3D Vision、SLAM求职宝典 | SLAM知识篇（D2）

D2篇——

 

目录

1.  视差与深度的关系

2.  闭环检测常用方法

3.  给一个二值图，求出最大连通区域（可以用深度优先和广度优先算法，现场手写代码）

4.  说一说梯度下降法、牛顿法、高斯-牛顿法区别

5.  边缘检测算子

6.  SVO中的深度滤波器原理

7.  说一说某个SLAM的工作原理（orb,lsd,svo,ptam）及其优缺点，如何改进

 

注： 本篇所涉及的几个问题实际上都不是小问题，我尽量较深入地去阐述，但是在实际面试过程中，你需要用更简短的语言来总结凝练一下。如有不当处，请指正。   

---

1.  视差与深度的关系

即双目相机模型，这一部分较简单，十四讲上的图已经具有了很强的解释性，因此转自《视觉slam十四讲》——

 

上面的这段话已经做了很好的概括。 注意其中计算视差的时候uR为负数，所以d = uL - uR, 也就是两段偏离相机光心的水平距离之和。公式你可以用 z等于fb除d 这样来记忆。d就是disparity，左减右。

   

2.  闭环检测常用方法

在D1篇的时候简单列了orbslam和lsdslam的论文翻译以及其闭环检测，在这里我查阅了一些资料，对闭环检测再做较详细的阐述—— 

闭环检测目前较常见的方法就是基于视觉词袋（或者叫视觉字典）DBoW来构建。如果你看下面这篇关于闭环检测方法的综述文献，你就会发现其实闭环检测方法还是有很多的： 

来自2019《机器人》期刊： 《复杂环境下视觉 SLAM 闭环检测方法综述》。 这篇文献对闭环检测讲的很全面了！在知网上可以下载。  先来看对闭环检测的简介：     

“闭环检测是指在给定当前观测信息和地图信息时，确认机器人是否回到了地图中已经存在的某一位置．典型的基于视觉的闭环检测系统结构如图 2 所示．图像数据库、地图点的拓扑信息和度量信息、路标点的几何信息一起构成了对地图的描述．拓扑信息是指机器人运动的连续性，相邻的图像代表着地图上邻近的地方；度量信息是指场景之间的相对位置和方向信息；几何信息是指图像特征的 3 维信息及其数据关联．当新的观测信息到来时，先将其转化为对场景的描述，然后和地图信息进行比对，最后通过决策模型来对闭环进行识别．在知道机器人的状态转移方程的情况下，同样可以将其加入到决策模型中，但并不是系统必须的（故在图中用虚线箭头表示）．此外，如果闭环识别成功，则对地图信息进行 1 次更新．”

  

如果你不觉得啰嗦或者没有时间看文献，那么我在这里简述一下： 

闭环检测涉及到的三个主要问题是：场景描述、决策模型、性能评价。

• 性能检测：常用的标准就是准确率和召回率，Tp表示检测出的真闭环，Fp表示检测出的假闭环，FN表示未被检测出的真闭环。   性能好的闭环系统应该兼具高的准确率和召回率，但实际上很难满足，一般用准确率召回率曲线来评价其综合性能。目前大多数闭环检测系统仍然将准确率作为主要的优化指标。   
• 决策模型： 指的是如何根据当前场景描述和地图信息识别出闭环。 三种：第一基于拓扑信息和图像信