常见的slam面试问题如下，在文章末尾有《自动驾驶100问》的视频内容，可以去看看：
1.重定位和回环检测的区别是什么？
2.单应矩阵H和基础矩阵F的区别是什么？
3.视觉SLAM方法的分类和对应的特点分析。
4.关键帧的作用是什么？
5. 如何选择关键帧？
6.相机传感器的分类及其优缺点是什么？
7.ROS中rosrun和roslaunch的区别是什么？
8.请描述视觉SLAM的框架以及各个模块的作用是什么？
9.SLAM中的绑架问题是什么？
10.在视觉SLAM中可能用到有关的边缘检测算子有哪些？
11.在SLAM中，如何对匹配好的点做进一步的处理，更好保证匹配效果？
12.SLAM后端有滤波方法和非线性优化方法，这两种方法的优缺点是什么？
13.什么是BA优化？
14.描述一下RANSAC算法。
15.相似变换、仿射变换、射影变换的区别是什么？
16.ICP算法的原理是什么？简要叙述一下。
17.四元数的相关概念是什么，请解释一下。
18.激光SLAM中的具体方法有什么？请解释一下每种方法的特点。
19.说明UKF，EKF和PF之间的关系。
20.点云配准算法目前有哪些？
SLAM学习确实挺难的，因为这是一门综合的学科，选择这个方向或者想自学的话有以下这些困难：
（1）入门门槛高，涉及的内容很多，软硬件，编程，数学，算法等等，头大的很；
（2）编程语言C++是很多初学者的一大痛点，语言不熟看不懂算法代码，更别提修改或者写出算法代码；
（3）数学要求高，算法涉及到高等数学，概率论和线性代数等多个方向的数学内容，只有了解了数学公式的含义，才能比较好的理解算法的源码，高等数学相关的内容很多同学在本科毕业或者考完研的时候就还给老师了；
（4）环境配置复杂，和软硬件相关，一个地方出错，可能要卡壳好久，学习资源较少，需要的数据集等资源较少，实战的难度大。
所以做SLAM之前需要先了解这个方向需要学习的内容有哪些，采取分而治之的办法，一点点的啃。我的建议是先把语言过一遍，提升C++的开发能力，然后看看SLAM里面的数学基础，传感器相关内容，顺便学学PCL和ROS相关内容，最后选一个方向去啃（激光或者视觉），学习一下经典的算法，然后自己在这个基础上结合自己的意图微调。
自动驾驶是当下最热门的方向之一，随着新能源汽车的发展，未来自动驾驶也是一大趋势。
但是自动驾驶算法技术的学习存在着以下几大困难点：
（1）入门门槛高，自学难度相当大；
（2）需要学习的内容很多，编程语言上就包含C++/Python等多种语言；
（3）数学要求高，算法涉及到高等数学，概率论与数理统计和线性代数等多个方向的数学内容；
（4）学习资源较少，需要的数据集等资源较少，实战的难度大。
为了解决以上问题，本系列课程设计时包含如下七门课程，涵盖了自动驾驶感知方向算法的所有学习内容，每一个专栏课程都是经过精心设计，内容丰富，掌握其内容都可以在这个方向游刃有余。
本系列课《自动驾驶入门进阶实战》包含七门课程：
1、C++编程实战
本课程包括C++基础内容讲解、C++进阶学习内容讲解、C++专栏讲解（重点知识设置专栏讲解）、C++面试详解、C++项目实战讲解。
2、Python编程实战
本课程包括Python基础语法内容的讲解，Python常用的库讲解，例如numpy、scipy、matplotlib、pandas等，还会讲解Python面试内容、选取一些Python项目实战讲解。
3、PCL编程实战
本课程讲解PCL进行点云处理的基础知识，以及PCL中各个模块的讲解与代码实战，会讲解涉及到的算法的原理与代码实战。
4、ROS2编程实战
ROS和ROS2是机器人操作系统，在自动驾驶中也常被用到，目前从大版本上分为ROS和ROS2两个，两个版本的机制和命令这些差异较大，本课程会对两个版本都做介绍。
最初人们是想设计制造一个复杂的机器人，这个机器人能够类似于人一样能够感知，自我导航，能够自我控制去做一些复杂的工作。面对这么复杂的工作，在研发过程中肯定需要很多各样的有效资源的共享，但是目前很多资源要么难以共享，要么共享的资源之间不能直接拿过来用，所以，急需这样一个能够整合资源的框架和接口，使得资源之间能够共享使用，使得各种功能、各种软件的重复利用率增加。为了满足这一功能和作用，研发了ROS（robotics operating system）机器人操作系统，虽然表面上叫做操作系统，但是并不是真正的操作系统，而是一个框架或者说是一个平台。
ROS用在无人车领域，可以自动构建地图、导航和规划行进路径
5、计算机视觉与OpenCV算法实战
本课程的学习内容包括四个方面的内容：图像处理库OpenCV双语实战学习（C++/python双语教学）；深度学习计算机视觉算法的讲解与案例实战（CNN、RNN、RCNN、SSD、YOLO系列等算法讲解，分类/检测/分割算法实战）；深度学习模型部署实战（基于TensorFlow lite、tensorrt和cuda的模型部署实战）；深度学习面试讲解。
6、SLAM算法实战
SLAM做地图构建会涉及到很多的内容，需要开发者具有数学、多视图几何、传感器与传感器数据处理等多个方向的知识。
本课程会讲解数学基础、SLAM基础、SLAM地图构建中前端、后端优化、回环检测等各个模块的知识、视觉SLAM、激光SLAM等的知识，还会对视觉SLAM中的ORB-SLAM3算法和激光SLAM中的Cartographer算法进行解读。
7、多传感器融合实战
本课程会讲解激光雷达与相机，激光雷达与惯导之间的标定，激光雷达与相机的数据融合，毫米波雷达与相机的数据融合等方面的知识以及对应的代码实战。
首先推荐一下下面这篇总结的非常详细的自动驾驶感知算法学习的文章，这里面详细的介绍了计算机视觉与OpenCV算法（包括算法讲解，案例实战，模型部署，pytorch和TensorFlow的学习），SLAM学习的内容（包括数学基础、SLAM基础、视觉SLAM算法和激光SLAM算法的解读），C++/Python编程等等方向的内容。
这个是介绍如何零基础入门学习的，所以不用担心自己看不懂，对于有充分的自学时间的在校学生或者想转行的工程师来说，这是一个绝佳的机会，未来自动驾驶会是一大趋势，现在的知识储备是为了未来的更大的发展空间。
slam学习路线分享：
SLAM学习路线分享_哔哩哔哩_bilibili
C++学习路线分享：
C++学习路线分享_哔哩哔哩_bilibili
)
