深夜停电的陌生小区里，你带着三个朋友执行一项特殊任务：全程不借助手电，走一圈，然后画出一张准确的地图。小美是相机，她最会认路标、招牌和墙面颜色，但遇到黑暗角落就抓瞎；小惯是 IMU，他闭着眼也能凭身体感觉判断自己走了几步、转了多少度，可时间一长就会头晕，把方向越带越偏；小光则是激光雷达，他手里那把“激光测距笔”能精确报出每个障碍物离他有多远，可惜他分不清眼前是花坛还是垃圾桶。一个人都不够靠谱，可如果他们边走边对信息、校准彼此的位置和钟表，再按各自的可信度融合意见、在有人胡言乱语时果断切换策略，就能在黑夜中画出可信的地图。这件事，正是多传感器融合 SLAM 在做的事情。

岗位关联

多传感器融合 SLAM 是自动驾驶、机器人和空间智能领域的核心技能。理解它，你就能把“造轮子式”的定位代码，升级成一套能应对真实复杂环境的可靠感知系统，是迈向高级 AI 工程师的重要阶梯。

目录
  1. 可视化演示
  2. 传感器角色：三个朋友的特长与软肋
  3. 时空标定：先让三个朋友对齐位置和钟表
  4. 耦合方式：是拉个群各自汇报，还是面对面开会
  5. 状态估计：用最优滤波把证据合成位姿
  6. 失效切换：信任崩塌时该听谁的
  7. 评估规划：怎么知道这张地图靠不靠谱
  8. 工程落地：从 demo 到规模化
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

传感器角色：三个朋友的特长与软肋

小美、小惯、小光站在小区门口，各自急着表功。小美说我能看清门牌号；小惯说我能感到转弯；小光说我能量出每面墙的距离。可你心里清楚：小美怕黑，小惯走久了会晕，小光分不清颜色。真实 SLAM 里，这三种传感器同样各有软肋：相机遇到逆光和暗角容易丢失特征；IMU 短期稳定但积分久了会有明显的漂移；激光雷达测距精准，却在纯几何环境下难以辨识语义。

把三种传感器抽象成统一的“观测”概念，是融合的第一步。无论相机给出的是像素坐标，IMU 给出的是加速度，还是激光给出的是点云距离，都可以表示成真实状态的一个带噪声函数：

有了统一的“证据”格式，下一步才能把三份不同语言的信息放进同一个框架里比较、对齐和融合。

zs=hs(x)+vs,s∈{C,I,L}\displaystyle z_s = h_s(\mathbf{x}) + v_s,\quad s\in\{\mathcal{C}, \mathcal{I}, \mathcal{L}\}
$z_s$ 是传感器读数，$h_s(\mathbf{x})$ 是根据当前位姿预测出的读数，$v_s$ 是测量噪声。这个公式把三个朋友的话统一成“证据”格式。
  1. 观测值 $z_s$第 $s$ 种传感器实际拿到的数据，例如相机的像素坐标或激光的测距值。
    zsz_s
  2. 观测函数 $h_s(\mathbf{x})$状态 $\mathbf{x}$ 已知时，理论上传感器应该看到什么。
    hs(x)h_s(\mathbf{x})
  3. 噪声项 $v_s$真实世界总有不完美，用噪声描述测量与真值之间的偏差。
    vsv_s

时空标定：先让三个朋友对齐位置和钟表

三个朋友各自报坐标时，你很快发现了问题：小美说花坛在左前方两米，小惯说花坛在身体右侧，小光说距离三点三米——原来三个人站在不同位置、手表还差了好几秒。多传感器融合的第一步永远不是“直接融合”，而是时空标定。空间上要估计外参，也就是传感器坐标系之间的旋转和平移；时间上要做同步，因为 IMU 可能每秒输出 200 次，相机只有 30 帧，激光只有 10 帧。

空间对齐的数学表达是把某个传感器坐标系下的点变换到世界坐标系，时间对齐则常用线性插值把不同时刻的观测对齐到同一时刻：

外参不准，融合会像三个人各说各话；时间不同步，地图会像错位的叠影。时空标定是融合系统能否成立的前提。

p(W)=RL(W)p(L)+tL(W),z(t)=z(t0)+t−t0t1−t0(z(t1)−z(t0))\displaystyle \mathbf{p}^{(W)} = \mathbf{R}_{\mathcal{L}}^{(W)} \mathbf{p}^{(\mathcal{L})} + \mathbf{t}_{\mathcal{L}}^{(W)},\qquad z(t) = z(t_0) + \frac{t-t_0}{t_1-t_0}\bigl(z(t_1)-z(t_0)\bigr)
左边是空间外参变换，右边是时间插值。先让三个朋友站在同一坐标系、对好钟表，后续融合才有意义。
  1. 空间变换把激光点 $\mathbf{p}^{(\mathcal{L})}$ 用旋转矩阵 $\mathbf{R}_{\mathcal{L}}^{(W)}$ 和平移向量 $\mathbf{t}_{\mathcal{L}}^{(W)}$ 换到世界系。
    p(W)=RL(W)p(L)+tL(W)\mathbf{p}^{(W)} = \mathbf{R}_{\mathcal{L}}^{(W)} \mathbf{p}^{(\mathcal{L})} + \mathbf{t}_{\mathcal{L}}^{(W)}
  2. 时间插值传感器帧率不同，用相邻两帧 $z(t_0)$ 和 $z(t_1)$ 按时间差比例内插出 $t$ 时刻的测量。
    z(t)=z(t0)+t−t0t1−t0(z(t1)−z(t0))z(t) = z(t_0) + \frac{t-t_0}{t_1-t_0}\bigl(z(t_1)-z(t_0)\bigr)

耦合方式：是拉个群各自汇报，还是面对面开会

松耦合和紧耦合，可以理解为两种团队协作风格。松耦合像三个人先在群里分别发自己的草图，最后由一个人把三张草图叠起来求折中；紧耦合则像三个人围坐在一起开会，每做一次判断都要参考另外两个人的实时反应，所有决策在同一个会议纪要里更新。

对应到系统架构，松耦合让每个传感器先独立估算位姿，再把位姿结果送进融合层；紧耦合则把原始观测统一放进一个优化问题中，让视觉特征、IMU 预积分和激光残差共享同一个状态变量。紧耦合通常用因子图表达，每个测量都是一个因子，共同约束机器人的轨迹和地图点：

松耦合开发快、容错隔离好，紧耦合精度上限高、对状态估计更一致。选择哪一种，本质是平衡工程复杂度与精度天花板。

min⁡x∑i=1n∥zi−hi(x)∥Σi2\displaystyle \min_{\mathbf{x}} \sum_{i=1}^{n} \Bigl\| z_i - h_i(\mathbf{x}) \Bigr\|_{\Sigma_i}^{2}
这个目标函数把所有传感器的残差加权平方和最小化。权重来自协方差 $\Sigma_i$，可信度高的传感器自动获得更大话语权。
  1. 残差项 $z_i - h_i(\mathbf{x})$实际测量与模型预测之差，衡量“你说得和我想的对不对得上”。
    zi−hi(x)z_i - h_i(\mathbf{x})
  2. 马氏距离平方 $\|\cdot\|_{\Sigma_i}^2$考虑协方差后的加权平方距离，噪声大的传感器残差被自动压低。
    ∥zi−hi(x)∥Σi2\Bigl\| z_i - h_i(\mathbf{x}) \Bigr\|_{\Sigma_i}^{2}
  3. 求和与最小化 $\min_{\mathbf{x}}\sum$找到让所有传感器总账目最一致的状态 $\mathbf{x}$。
    min⁡x∑i=1n\min_{\mathbf{x}} \sum_{i=1}^{n}

状态估计：用最优滤波把证据合成位姿

三个朋友对“我们现在在哪儿”各有一个猜测，你当然不能简单取平均，因为小美平时最靠谱，小惯已经有点晕了。正确做法是动态调整权重：先根据运动模型预测下一时刻位置，再用传感器观测去校正预测。这就是滤波类状态估计的核心思想，经典代表是扩展卡尔曼滤波（EKF）：

除了滤波，还有非线性优化类方案，例如用滑动窗口和边际化控制计算量。无论哪条路线，本质都是让每个朋友的“证据”按可信度参与最终决策。

x^k=xˉk+Kk(zk−h(xˉk)),Kk=PˉkHkT(HkPˉkHkT+Rk)−1\displaystyle \hat{\mathbf{x}}_k = \bar{\mathbf{x}}_k + \mathbf{K}_k\Bigl(\mathbf{z}_k - h(\bar{\mathbf{x}}_k)\Bigr),\qquad\mathbf{K}_k = \bar{\mathbf{P}}_k \mathbf{H}_k^{\mathsf{T}} \Bigl(\mathbf{H}_k \bar{\mathbf{P}}_k \mathbf{H}_k^{\mathsf{T}} + \mathbf{R}_k\Bigr)^{-1}
预测状态 $\bar{\mathbf{x}}_k$ 是“在运动模型下猜的位置”，观测残差是“传感器实际看到的偏差”，卡尔曼增益 $\mathbf{K}_k$ 决定你该信预测多一点，还是信观测多一点。
  1. 预测状态 $\bar{\mathbf{x}}_k$用 IMU 等运动信息从上一时刻推算出的当前位姿。
    xˉk\bar{\mathbf{x}}_k
  2. 观测残差 $\mathbf{z}_k - h(\bar{\mathbf{x}}_k)$传感器实测值与预测值之间的差距，相当于“朋友的纠正意见”。
    zk−h(xˉk)\mathbf{z}_k - h(\bar{\mathbf{x}}_k)
  3. 卡尔曼增益 $\mathbf{K}_k$由状态协方差 $\bar{\mathbf{P}}_k$、观测矩阵 $\mathbf{H}_k$ 和观测噪声 $\mathbf{R}_k$ 共同决定的权重。
    Kk=PˉkHkT(HkPˉkHkT+Rk)−1\mathbf{K}_k = \bar{\mathbf{P}}_k \mathbf{H}_k^{\mathsf{T}} \Bigl(\mathbf{H}_k \bar{\mathbf{P}}_k \mathbf{H}_k^{\mathsf{T}} + \mathbf{R}_k\Bigr)^{-1}
  4. 状态更新 $\hat{\mathbf{x}}_k$把预测值加上“加权后的纠正量”，得到最终估计。
    x^k=xˉk+Kk(zk−h(xˉk))\hat{\mathbf{x}}_k = \bar{\mathbf{x}}_k + \mathbf{K}_k\Bigl(\mathbf{z}_k - h(\bar{\mathbf{x}}_k)\Bigr)

失效切换：信任崩塌时该听谁的

夜路越走越深，小惯突然开始头晕，频繁报出离谱的转角。如果你继续给他同样的权重，整条轨迹都会被带歪。这时候系统要做的不只是“发现异常”，还要动态调整信任：先用量化指标判断谁在胡言乱语，再触发降权、隔离或降级策略。失效切换不是简单扔掉某个传感器，而是先评估它的话还有多少可信度。

异常检测常用的指标是马氏距离，它把残差放在协方差尺度下衡量：

质量监测、置信度评估和降级策略共同构成系统的“自我保护机制”。工程上还会配合系统重构，让健康传感器重新初始化失效模块，避免整个定位链路崩溃。

dM2=(z−h(x^))TS−1(z−h(x^))<χα,m2\displaystyle d_M^2 = \bigl(\mathbf{z} - h(\hat{\mathbf{x}})\bigr)^{\mathsf{T}} \mathbf{S}^{-1} \bigl(\mathbf{z} - h(\hat{\mathbf{x}})\bigr) < \chi^2_{\alpha, m}
当某个传感器的残差超出卡方阈值，就被判定为“失活”，系统会降低它的权重，或切换到更保守的定位模式。
  1. 残差向量 $\mathbf{z} - h(\hat{\mathbf{x}})$当前传感器读数与最优估计下的预测差。
    z−h(x^)\mathbf{z} - h(\hat{\mathbf{x}})
  2. 协方差矩阵 $\mathbf{S}$衡量残差预期波动范围，波动大则阈值自然放宽。
    S−1\mathbf{S}^{-1}
  3. 卡方阈值 $\chi^2_{\alpha, m}$在给定置信度 $\alpha$ 和自由度 $m$ 下的判定边界。
    χα,m2\chi^2_{\alpha, m}

评估规划：怎么知道这张地图靠不靠谱

三个朋友终于画完地图，兴奋地交给你。可你不能只问“你觉得准不准”，得拿一把尺子把结果量出来。SLAM 系统的评估同样讲究定量：先把机器人轨迹和真值轨迹放在同一坐标系下逐帧对比，再用统一指标总结误差。最常见的指标之一是均方根误差（RMSE）。

评估规划不只是算精度，还要设计退化场景、光照变化、动态物体等鲁棒性测试，再决定是从概念验证走向小批量，还是继续调参迭代部署路径。

RMSE=1N∑i=1N∥p^i−pigt∥2\displaystyle \mathrm{RMSE} = \sqrt{\frac{1}{N}\sum_{i=1}^{N} \Bigl\| \hat{\mathbf{p}}_i - \mathbf{p}_i^{\mathrm{gt}} \Bigr\|^2}
RMSE 把每一帧的估计位置 $\hat{\mathbf{p}}_i$ 与真值位置 $\mathbf{p}_i^{\mathrm{gt}}$ 的差距平方求和，再开根号，得到一个容易被理解的“平均误差”。
  1. 逐帧误差 $\hat{\mathbf{p}}_i - \mathbf{p}_i^{\mathrm{gt}}$每个时刻估计轨迹与真值轨迹的偏移。
    p^i−pigt\hat{\mathbf{p}}_i - \mathbf{p}_i^{\mathrm{gt}}
  2. 平方平均 $\frac{1}{N}\sum\|\cdot\|^2$把误差平方后取平均，大误差会被放大，能体现坏帧影响。
    1N∑i=1N∥p^i−pigt∥2\frac{1}{N}\sum_{i=1}^{N} \Bigl\| \hat{\mathbf{p}}_i - \mathbf{p}_i^{\mathrm{gt}} \Bigr\|^2
  3. 开根号 $\sqrt{\cdot}$把量纲还原，得到与位置单位一致的平均误差。
    1N∑i=1N∥p^i−pigt∥2\sqrt{\frac{1}{N}\sum_{i=1}^{N} \Bigl\| \hat{\mathbf{p}}_i - \mathbf{p}_i^{\mathrm{gt}} \Bigr\|^2}

工程落地：从 demo 到规模化

让三个朋友在自家楼下走一圈很容易，但让他们去全国各地的陌生小区连续值班，就需要考虑体力分配、备用方案和复盘机制。工程化落地同样要解决三件事：算力优化、参数调优和数据回放。生产环境不能像实验室那样随便跑全局优化，而要利用滑窗、稀疏求解和特征数量限制把每帧计算压到实时范围内。

为了让系统在真实世界中更抗干扰，工程实现常会把普通最小二乘改成带稳健核的目标函数：

数据回放是工程落地的隐形功臣，它让团队能复现深夜偶发崩溃，反复打磨参数。最终，一套可靠的融合系统不是靠“堆传感器”堆出来，而是靠对齐、融合、容错和评估体系一步步打磨出来。

min⁡x∑iρ ⁣(∥ri∥Σi2)\displaystyle \min_{\mathbf{x}} \sum_i \rho\!\left(\Bigl\|\mathbf{r}_i\Bigr\|_{\Sigma_i}^{2}\right)
稳健核函数 $\rho$ 会在残差过大时“打折计费”，让个别离谱观测不能无限拉偏整个解。
  1. 残差 $\mathbf{r}_i$第 $i$ 个测量残差，可能是视觉重投影误差或激光点面残差。
    ri\mathbf{r}_i
  2. 稳健核 $\rho(\cdot)$一个非线性函数，残差较小时按原样计费，残差大时减小惩罚强度。
    ρ ⁣(∥ri∥Σi2)\rho\!\left(\Bigl\|\mathbf{r}_i\Bigr\|_{\Sigma_i}^{2}\right)
  3. 最小化 $\min_{\mathbf{x}}$寻找让所有残差总惩罚最小的最优轨迹和地图。
    min⁡x∑iρ ⁣(∥ri∥Σi2)\min_{\mathbf{x}} \sum_i \rho\!\left(\Bigl\|\mathbf{r}_i\Bigr\|_{\Sigma_i}^{2}\right)

AI 应用场景

低速无人清扫车的夜间作业

阶段：感知与定位

解决的问题：夜间光线差、路面特征少，单靠相机容易丢定位；单靠激光又难以识别车道边界。多传感器融合 SLAM 通过 IMU 高频预测填补视觉丢失的间隙，再用激光测距约束全局轨迹。

具体案例：某园区无人清扫车在路灯稀疏的窄路上作业，融合相机、IMU 与激光雷达后，即使视觉短暂遮挡，系统仍能保持厘米级定位并继续完成清扫任务。

仓储 AGV 的托盘搬运

阶段：状态估计与失效切换

解决的问题：仓库里货架反光、光照变化剧烈，AGV 频繁出入狭窄通道，单一传感器无法保证 24 小时稳定定位。多传感器融合能在某个传感器被遮挡或数据异常时自动降权切换，避免 AGV 因瞬间丢定位而急停。

具体案例：某电商仓库的 AGV 在货架密集区运行，相机时常被叉车遮挡，融合系统利用 IMU 预测和激光约束保持连续姿态输出，成功把因丢定位导致的停机次数降低 70%。

无人机电力巡检

阶段：数据融合与轨迹评估

解决的问题：输电塔附近 GPS 信号弱，无人机飞行速度快、振动大，靠单一视觉容易尺度漂移。多传感器融合 SLAM 用 IMU 提供高频姿态，用激光/视觉提供低频修正，并对每段轨迹做 RMSE 评估。

具体案例：在山区巡检无人机上，视觉里程计因逆光短时失效，融合系统依据激光点云和 IMU 预积分无缝接管，巡检全程恢复航线误差小于 0.3 米。

Python 演示

python61 行
import math # 模拟三种传感器测量并执行简单加权融合class FusionDemo:    def __init__(self):        # 真值轨迹：x 从 0 递增到 490，y 固定在 40        self.gt = [(i, 40.0) for i in range(50)]        self.imu_list = []        self.cam_list = []        self.lid_list = []        self.fus_list = []        self.gc_count = 0     def generate_measure(self, index):        gx, gy = self.gt[index]        imu = (gx + 2.0 * math.sin(index * 1.7),               gy + 2.0 * math.cos(index * 2.1))        cam = (gx + 1.0 * math.cos(index * 0.9),               gy + 1.0 * math.sin(index * 1.2))        lid = (gx + 0.5 * math.sin(index * 0.4),               gy + 0.5 * math.cos(index * 0.6))        # 每 17 帧让 IMU 出现一个明显外点        if index % 17 == 0:            imu = (imu[0] + 12.0, imu[1] - 8.0)        return imu, cam, lid     def fuse(self, measures):        imu, cam, lid = measures        fused = (0.25 * imu[0] + 0.35 * cam[0] + 0.40 * lid[0],                 0.25 * imu[1] + 0.35 * cam[1] + 0.40 * lid[1])        # 一致性检查：IMU 偏差太大时自动降低权重        residual = math.hypot(imu[0] - fused[0], imu[1] - fused[1])        if residual > 4.0:            fused = (0.40 * cam[0] + 0.60 * lid[0],                     0.40 * cam[1] + 0.60 * lid[1])        return fused     def run(self):        for i in range(len(self.gt)):            imu, cam, lid = self.generate_measure(i)            self.imu_list.append(imu)            self.cam_list.append(cam)            self.lid_list.append(lid)            fused = self.fuse((imu, cam, lid))            self.fus_list.append(fused)            self.gc_count += 1        self.print_result()     def print_result(self):        n = len(self.fus_list)        rmse = math.sqrt(            sum((self.fus_list[i][0] - self.gt[i][0]) ** 2 +                (self.fus_list[i][1] - self.gt[i][1]) ** 2                for i in range(n)) / n        )        print("fusion RMSE:", round(rmse, 4))        print("processed frames:", self.gc_count) if __name__ == "__main__":    demo = FusionDemo()    demo.run()
目的：用最简单的一维轨迹模拟相机、IMU、激光雷达三种测量，再通过加权融合与一致性检查输出一条比任何单一传感器都更靠近真值的轨迹。
  1. self.gt = [(i, 40.0) for i in range(50)]保存机器人经过的真实位置，作为评估基准。
  2. generate_measure为每个时刻生成带噪声的 IMU、相机、激光测量。
  3. if index % 17 == 0:周期性注入 IMU 外点，模拟真实世界中的传感器失效。
  4. fused = (0.25 * imu[0] + 0.35 * cam[0] + 0.40 * lid[0], ...)按传感器可信度做加权融合。
  5. if residual > 4.0:当 IMU 与融合结果偏差过大时，自动把 IMU 踢出权重，体现失效切换。
  6. rmse = math.sqrt(...)用均方根误差评估融合轨迹，贴近正文公式。

常见误区

误区很多人认为多传感器融合就是“多堆几个传感器”，数量越多精度越高、越不可能失败。

正解每个传感器都带来额外标定误差、算力开销和故障模式。传感器多了，如果时空标定没做好，反而会互相干扰。融合系统的可靠性来自合理的冗余设计和失效切换，而不是简单堆砌。

为何常见：人类本能觉得“人多力量大”，容易忽略协作成本，这正是多传感器系统经常在集成阶段崩溃的根源。

误区紧耦合听起来更先进，所以大部分开发者默认紧耦合效果必然优于松耦合，直接放弃松耦合方案。

正解松耦合架构各模块独立，开发快、易调试、容错隔离好；在算力受限或传感器质量参差时，松耦合可能是更稳妥的生产选择。紧耦合虽然精度上限更高，但对标定误差和计算资源更敏感。

为何常见：“复杂=强大”的直觉让人低估了工程鲁棒性和维护成本的重要性。

误区初学时常认为只要配置文件里填好传感器时间偏移，系统就会永远同步。

正解传感器时钟会漂移，触发延迟可能随温度、负载变化，生产环境必须持续监控时间同步状态，必要时在线估计时间偏移。

为何常见：实验室 demo 时间短、环境稳定，掩盖了时钟漂移这类慢变量问题。

误区一旦检测到某个传感器数据异常，就立刻把它完全关闭，以为这样最安全。

正解直接丢弃会损失可用信息，还可能引起状态突变。更稳健的做法是先置信度评估、动态降权，再尝试隔离和重新初始化，让系统平滑过渡到健康传感器主导的模式。

为何常见：二值化思维比连续概率思维更简单，但在真实系统中会诱发突变的控制指令。

误区评估时只看整体轨迹 RMSE，觉得数字越小系统就越优秀。

正解RMSE 是全局指标，无法暴露局部退化、重定位失败、鲁棒性差等问题。工程评估还要看最大误差、不同场景下的表现、CPU 占用、内存峰值和失效恢复时间。

为何常见：单指标比较直观，但真实系统是一个多目标平衡问题。

面试题

Q1. 多传感器融合 SLAM 中，相机的主要优势是什么？

单选题 · easy

  • A.输出频率最高且无漂移
  • B.能提供丰富的视觉特征← 正确答案
  • C.可以精确测得障碍物距离
  • D.完全不受光照条件限制

答案：B。相机擅长捕捉颜色、纹理和语义特征，但容易受光照影响，也不能直接精准测距。IMU 输出频率高但会漂移，激光擅长测距，所以选 B。

Q2. 空间外参标定解决的核心问题是什么？

单选题 · mid

  • A.把不同传感器坐标系对齐到同一参考系← 正确答案
  • B.让所有传感器的时间戳完全一致
  • C.消除相机图像的镜头畸变
  • D.提高激光雷达的点云分辨率

答案：A。外参描述的是传感器坐标系之间的旋转和平移关系，目的是空间对齐。时间同步是另一件事，相机畸变属于内参，点云分辨率属于硬件能力。

Q3. IMU 长期积分定位最常见的缺陷是？

单选题 · mid

  • A.输出频率太低无法内插
  • B.角速度测量完全无效
  • C.误差会随积分时间累积← 正确答案
  • D.受视觉纹理影响太大

答案：C。IMU 高频特性好，短期精度高，但加速度和角速度积分两次就会把偏差不断放大，因此需要视觉或激光测量定期校正。

Q4. 松耦合与紧耦合融合的本质区别是？

单选题 · mid

  • A.是否把原始观测放进同一优化问题← 正确答案
  • B.是否使用卡尔曼滤波进行估计
  • C.是否必须使用激光雷达传感器
  • D.是否需要对时间戳做对齐处理

答案：A。松耦合先独立解算位姿再融合结果，紧耦合直接在原始测量层面联合优化。滤波、激光雷达和时间同步都只是相关工具，不是区别本质。

Q5. 马氏距离异常检测主要依据什么判断传感器失效？

单选题 · hard

  • A.观测残差是否超过协方差尺度下的阈值← 正确答案
  • B.传感器工作温度是否超过设定值
  • C.IMU 数据是否出现明显零点漂移
  • D.相机画面是否突然变暗

答案：A。马氏距离把残差放在协方差矩阵的尺度中衡量，既看偏差大小也看预期波动范围。温度、零漂和画面亮度都不是马氏距离直接计算的对象。

Q6. 卡尔曼增益 K 在状态估计中的作用是？

单选题 · easy

  • A.决定预测与观测之间的信任权重← 正确答案
  • B.把所有传感器读数做简单平均
  • C.直接增大系统过程噪声
  • D.把非线性系统变成线性系统

答案：A。K 越大越相信观测，K 越小越相信预测，它由状态协方差和观测噪声共同决定。简单平均和增大噪声都不是 K 的职责。

Q7. 以下哪一项更能体现松耦合架构的特点？

单选题 · mid

  • A.各传感器先独立定位再融合结果← 正确答案
  • B.所有原始观测进入统一因子图
  • C.视觉和激光残差联合求解
  • D.必须使用滑动窗口边际化

答案：A。松耦合的特点是把传感器当成独立模块，各自输出位姿或地图结果后再融合。选项 B、C 属于紧耦合，滑窗是优化类算法的工程技巧。

Q8. 哪些手段可以提升多传感器融合系统的鲁棒性？

多选题 · mid

  • A.对残差做卡方异常检测← 正确答案
  • B.对异常传感器动态降权← 正确答案
  • C.只保留单一传感器运行
  • D.定期重新标定传感器外参← 正确答案

答案：ABD。异常检测和动态降权是失效切换的核心；外参会随机械结构变化而改变，需要定期重标定。只保留单一传感器会让系统丧失冗余优势，不是提升鲁棒性的做法。

Q9. 关于时空调标，下列说法正确的有哪些？

多选题 · mid

  • A.需要把不同传感器坐标系对齐← 正确答案
  • B.需要通过插值或硬件触发同步时间← 正确答案
  • C.IMU 的积分误差在标定后完全消失
  • D.外参错误会直接影响融合精度← 正确答案

答案：ABD。空间外参和时间同步都是标定核心内容，外参错误会让融合轨迹错位。IMU 积分误差只能被观测校正，不可能因标定完全消失。

Q10. 在工程落地阶段，哪些方式能有效控制计算开销？

多选题 · hard

  • A.限制每帧特征点数量← 正确答案
  • B.调整滑动窗口大小← 正确答案
  • C.每帧触发一次全局优化
  • D.利用稀疏结构加速矩阵求解← 正确答案

答案：ABD。限制特征点、缩小滑窗和利用稀疏性都能显著降低计算量。每帧做全局优化会带来极高延迟，通常只在关键帧或回环检测时触发。