跑过哪些开源 SLAM 算法，如何比较优劣？｜海康威视 SLAM 算法面经解析

60 秒回答模板

我会先按真实经历说：我实际跑过哪些框架，比如 ORB-SLAM、VINS、LIO-SAM 中的某几个；没跑过的只说了解，不包装成项目经验。对比时用同一数据集、同一硬件和同一指标，先看传感器假设和初始化，再看前端匹配鲁棒性、后端优化、回环、实时性、CPU/内存和失败日志。视觉 SLAM 成本低但怕弱纹理、光照和运动模糊；VIO 尺度和短时鲁棒性更好但依赖标定、同步和 bias；LiDAR/LIO 几何稳定但怕退化结构、动态物体和雨雾。最后给出 ATE/RPE、丢跟踪、回环效果和资源占用的对比结论。

考点 分类回答

难度 真实面经题

回答目标 证明自己理解 SLAM 开源框架的系统组成、传感器假设、优劣边界和工程评测方法。

深入解析

先说明跑过的类别

面试官更关心真实经验。可以按 Mono/Stereo/RGB-D、VIO、LiDAR SLAM、LiDAR-Inertial SLAM 分类，而不是背算法清单。每类都说明输入假设、输出地图和自己跑过的数据集或场景。

视觉 SLAM 的优劣

ORB-SLAM 这类方案结构清晰，前端特征跟踪、局部建图、回环和 BA 适合学习完整框架。优势是传感器成本低、社区资料多；不足是弱纹理、强光照变化、运动模糊、动态物体和单目尺度不确定会造成跟踪不稳。

VIO 的工程关注点

视觉惯性方案用 IMU 补短时运动和尺度，适合快速运动和短时遮挡。工程难点在相机-IMU 外参、时间同步、IMU bias、重力方向、初始化和预积分误差。很多问题不是优化公式错，而是传感器链路和标定质量不够。

激光 SLAM 的边界

LiDAR SLAM 利用几何结构做 scan matching，对光照不敏感，距离精度较好。缺点是点云稀疏、动态目标、雨雾反射、走廊或隧道等结构退化会影响约束。加入 IMU 后能改善运动畸变和短时姿态，但也引入同步和外参问题。

比较要有统一指标

同一数据集和硬件下比较 ATE、RPE、轨迹连续性、重定位成功率、回环后漂移、CPU/GPU 占用、延迟、内存和丢帧。只说某算法更准没有意义，因为传感器配置、参数、场景和真值来源都会影响结论。

要讲失败案例

真实跑过的人能说出失败现象：弱纹理丢跟踪、IMU 时间戳错导致姿态发散、激光在长走廊退化、动态物体污染点云、回环误匹配造成地图扭曲。能复盘这些问题，比背论文优缺点更有说服力。

易错点

只罗列算法名字，没有说明传感器输入、系统结构和实际运行结果。
只比较精度，忽略实时性、资源占用、初始化、回环和失败率。
把论文指标当成自己结论，没有同一数据集、同一硬件下的对比方法。
不提传感器标定、时间同步和数据质量，回答过于算法化。
没有失败案例和日志定位经验，看起来只是跑过默认 demo。

面试官追问

ATE 和 RPE 有什么区别？

ATE 主要看估计轨迹和真值轨迹的全局绝对偏差，RPE 看相邻或固定间隔位姿增量误差，更能反映局部漂移和短时运动估计质量。

为什么同一算法在不同数据集表现差很多？

因为纹理、光照、运动速度、动态物体、传感器频率、时间同步、标定质量和场景结构不同，SLAM 的前端约束质量会明显变化。

开源算法工程落地通常要改什么？

常见要改传感器驱动和时间同步、坐标系、参数自适应、异常检测、日志回放、地图格式、实时调度和与定位/规划系统的接口。