激光雷达算法知识点全景图
一、激光雷达基础与点云底层原理
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| LiDAR工作原理 | TOF测距原理、机械式/固态/MEMS扫描方式、多回波特性 | “简述激光雷达是如何测量距离的？” | 深入理解 |
| 点云数据结构 | XYZ（空间坐标）、I（反射强度）、Ring（线束ID）、Time Stamp（时间戳）的区别与用途 | “点云中的强度信息受哪些因素影响？” | 理解即可 |
| 点云噪声类型 | 离群点、混合像素、运动畸变、多径反射、雨雾噪声等 | “如何去除点云中的飞点？” | 重点掌握 |
| 传感器特性对比 | LiDAR vs 相机 vs 毫米波雷达：精度、鲁棒性、成本、适用场景 | “为什么自动驾驶需要多种传感器融合？” | 深入理解 |
关于点云噪声：面试中常被问到"如何去除点云中的飞点"，典型的回答框架是——先用统计滤波（基于邻域点距离分布）去除离群点，再用半径滤波（设定半径内点数阈值）过滤稀疏噪声。结合你简历中垃圾分选、智能检测线等项目，可以说明在实际工业场景中如何处理传感器抖动、反射干扰等问题。
二、点云处理核心算法
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| 点云滤波 | 体素滤波（降采样）、统计滤波（去离群点）、半径滤波、直通滤波 | “体素滤波的体素大小如何选择？” | 熟练应用 |
| 点云分割 | RANSAC（平面/直线拟合）、DBSCAN（聚类）、区域生长、欧式聚类 | “RANSAC拟合平面时如何确定迭代次数？” | 重点掌握 |
| 特征提取 | 法向量估计、曲率计算、FPFH/SHOT描述子 | “如何提取点云中的边缘点？” | 理解原理 |
| KD-Tree/Octree | 点云索引结构，用于近邻搜索、降采样、空间查询 | “KD-Tree建树的时间复杂度是多少？” | 了解即可 |
关于RANSAC：这是一个高频考点。你需要掌握其核心思想——随机采样最小子集拟合模型，然后在全部数据中统计符合该模型的"内点"数量，重复迭代取最优。面试官可能会追问迭代次数如何确定（由期望置信度与外点比例决定）。结合你的简历，在点云尺寸测量项目中，RANSAC可用于提取地面或基准平面。
三、点云配准与LOAM系列SLAM
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| ICP配准 | 原理：找最近邻→计算变换→迭代；变种：Point-to-Point vs Point-to-Plane | “ICP的缺点有哪些？如何改进？” | 必须掌握 |
| NDT配准 | 将点云网格化为正态分布，用概率密度匹配替代点对点匹配 | “NDT相比ICP有什么优势？” | 理解原理 |
| LOAM系列 | LOAM（边缘点+平面点特征提取，两步优化）；LeGO-LOAM（地面分割+点云聚类）；LIO-SAM（紧耦合IMU） | “LOAM为什么提取边缘点和平面点？” | 必须掌握 |
| FAST-LIO2 | 紧耦合迭代卡尔曼滤波，无需特征提取，直接配准原始点云 | “FAST-LIO2与LOAM的核心区别？” | 了解即可 |
| Scan Matching | 扫描匹配的核心：将当前点云与地图/上一帧对齐，求解位姿变换 | “前端里程计和后端优化的区别？” | 重点掌握 |
关于ICP的缺点与改进：这是几乎必问的问题。ICP的三大缺陷——①对初始位姿敏感（易陷入局部最优）、②对噪声和离群点敏感、③计算复杂度高。改进方向：使用Point-to-Plane距离提升收敛性；加入鲁棒核函数（如Huber）降低离群点影响；用KD-Tree加速最近邻搜索；结合NDT做粗配准提供初始值。结合你的项目经验，在多传感器标定工作中你应熟悉类似的点云对齐思想。
四、多传感器标定与融合
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| 内参标定 | 相机内参（焦距、畸变系数）、LiDAR内参（角度偏移、测距误差） | “张正友标定法的原理是什么？” | 理解原理 |
| 外参标定 | LiDAR-相机、LiDAR-IMU、LiDAR-轮速计的联合标定 | “如何标定激光雷达到相机的变换矩阵？” | 必须掌握 |
| 手眼标定 | AX=XB问题，求解机械臂末端到相机的变换 | “手眼标定中AX=XB如何求解？” | 结合你的经验 |
| 紧耦合融合 | EKF/ESKF（误差状态卡尔曼滤波）、图优化（Ceres/g2o） | “松耦合和紧耦合的区别？” | 重点掌握 |
关于多传感器标定：这是你简历中的强项，一定要准备一个完整的标定流程话术。以LiDAR-相机标定为例：采集包含标定板（如棋盘格）的多帧数据，在LiDAR点云中提取标定板平面点云，在图像中提取角点，通过PnP或最小二乘求解外参。面试官可能追问精度验证方法——可以计算重投影误差或使用标定后的外参对齐新的数据对。
五、3D目标检测与跟踪
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| 3D检测方法分类 | Point-based（PointRCNN）、Voxel-based（VoxelNet、SECOND）、Point-Voxel融合（PV-RCNN） | “PointPillars的核心创新是什么？” | 了解主流架构 |
| BEV感知 | 将3D点云投影到鸟瞰图，保留空间位置关系，便于2D卷积 | “BEV表示相比原始点云有什么优势？” | 理解概念 |
| 点云跟踪 | 卡尔曼滤波（KF/EKF）预测+匈牙利算法数据关联 | “如何处理点云中的遮挡问题？” | 重点掌握 |
| 评价指标 | IoU、AP、mAP、NDS（NuScenes指标） | “3D检测中IoU如何计算？” | 理解即可 |
六、工程部署与优化
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| 嵌入式部署 | NVIDIA Jetson、RK3588、TensorRT加速、模型量化/剪枝 | “如何在嵌入式平台上加速点云处理？” | 结合你的经验 |
| ROS/ROS2 | Node、Topic、Service、TF坐标变换、RViz可视化 | “ROS中TF树的作用是什么？” | 熟练使用 |
| 实时性优化 | 降采样策略、多线程、CUDA并行、近似算法 | “如何保证算法在10Hz帧率下运行？” | 重点掌握 |
七、数学基础与工具库
| 知识点 | 核心要点 | 面试常见问法 | 推荐掌握深度 |
|---|---|---|---|
| 最小二乘优化 | 高斯-牛顿法、LM法（列文伯格-马夸尔特）、Ceres/g2o库 | “高斯-牛顿法和LM法的区别？” | 深入理解 |
| 卡尔曼滤波 | 标准KF、EKF（扩展卡尔曼）、ESKF（误差状态卡尔曼） | “EKF如何解决非线性问题？” | 重点掌握 |
| 李群李代数 | SO(3)、SE(3)、指数映射/对数映射 | “为什么SLAM中常用四元数表示旋转？” | 了解即可 |
| 工具库 | PCL、Open3D、Eigen、Sophus、g2o/Ceres | “PCL中如何使用ICP？” | 熟练使用 |
关于非线性最小二乘：这是SLAM后端优化的核心数学工具，面试中如果被问"高斯-牛顿法和LM法的区别"，你需要从原理层面回答——两者都基于泰勒展开将非线性问题线性化迭代求解，区别在于GN用$J^TJ$近似Hessian矩阵（计算快但可能非正定导致发散），LM在此基础上加入阻尼因子$\lambda I$保证正定性，在GN和梯度下降之间自适应切换。结合你的简历，在多传感器标定中本质就是在求解一个最小二乘问题。
行动指南
1. 项目深度复盘（最重要！）
根据你的简历，每个项目都要准备以下内容：
- 背景与目标：为什么做这个项目？解决什么痛点？
- 技术方案：选型依据（为什么选这个算法而不是其他？）
- 具体贡献：你写了哪些代码？解决了什么关键问题？
- 量化结果：精度指标（如测量误差±5mm）、性能指标（延迟、帧率）
- 踩坑经验：遇到过什么困难？如何解决的？（这是面试官最看重的部分）
2. 需要强化的薄弱环节
| 弱点评估 | 建议行动 |
|---|---|
| SLAM框架细节 | 阅读LOAM/LIO-SAM论文，理解代码流程；准备"LOAM特征提取为何选边缘点和平面点"的回答 |
| 3D检测模型 | 了解PointPillars的基本结构（Voxel特征编码→BEV→2D CNN→检测头） |
| 数学推导 | 推导ICP的误差函数和迭代过程；推导卡尔曼滤波的预测-更新公式 |
3. 手撕代码准备
面试中可能要求现场实现：
- 体素滤波降采样
- KD-Tree的KNN查询
- RANSAC拟合平面
- 两个3D Bounding Box的IoU计算
- ICP的单次迭代（找对应点→SVD求解变换）
建议用C++/Python提前练习这些核心算法。
4. 技术视野拓展
准备回答开放性问题：
- “激光雷达技术的发展趋势？"（FMCW、固态化、4D点云、大模型+点云）
- “自动驾驶中定位方案如何设计？"（GPS+IMU+LiDAR+视觉融合）
- “如何看待纯视觉方案 vs 激光雷达方案？”
5. 针对性准备
| 你的项目 | 可转化的面试回答 |
|---|---|
| 智能检测线（点云尺寸测量） | 阐述点云预处理→分割→测量的完整pipeline，可展开RANSAC提取基准面、ICP配准等细节 |
| 无人扫路车（多传感器融合） | 说明LiDAR+相机+IMU的融合框架，传感器标定流程，动态障碍物检测策略 |
| 环卫机器狗（手眼标定） | 详解AX=XB手眼标定的原理、采集轨迹要求、精度验证方法 |
| 垃圾站体积测量 | 点云高度测量/体积积分的具体实现 |