SLAM已完成
*1、实现RANSAC随机采样一致性的框架,可以作为初值，然后再非线性优化求最优，优缺点 22、如何对匹配好的点做进一步的处理，更好保证匹配效果（汉明距离小于最大距离两倍、RANSAC）
*2、描述一下SIFT或者SURF特征检测，匹配（博客）
*3、简述一下Bundle Adjustment的过程（笔记以及知乎）
*4、如何求解Ax=b（博客）
*5、凸优化（博客）
*7、ICP迭代最近法 11、描述PNP算法
*9、Homography和Fundamental Matrix的区别，包括二者区别，几个自由度，为什么是这么多自由度，怎么计算，这些在多视图几何那本书中都有。单目相机，F和H矩阵有何不同，E和F矩阵有何不同，只旋转不平移能不能求F。
*14、说一说梯度下降法、牛顿法、高斯-牛顿法GN、LM区别（博客）
*15、边缘检测算子、34、常用的边缘检测算子和优缺点。
*16、SVO中的深度滤波器原理（博客）
*18、特征向量的物理意义、特征值分解（SVD、PCA）等（博客）
*20、最大后验与最大似然关系。（博客）
*45、FAST SIFT SURF ORB特征子。（博客）
1、关键帧选取的指标：
（1）跟踪质量（跟踪过程中搜索到的点数和总点数比例）/共视特征点
（2）距离最近关键帧距离是否足够远（空间）
（3）距离上一关键帧帧数是否足够多（时间）
2、为何引入李群李代数
旋转矩阵自身带有约束RR(T)=1,正交且行列式为1，他们作为优化变量会引入额外的约束。引入李群李代数将位姿估计变成无约束的优化问题。
为什么用李代数呢？是因为无法直接对变换\旋转矩阵求导——>那不能求导怎么办？引入时间变量t，无法对矩阵求导可以对t求导——>对t求导后解决什么问题呢？解决在局部连续的时间内对误差的线性优化问题。对，李代数的引入就是为了解决状态估计过程中的优化问题。能求导了。
3、 描述特征点法和直接法的优缺点
特征点法：
优点：精确，运动速度快时，不会引起误匹配
缺点：关键点提取、描述子、匹配时间长；特征点丢失场景无法使用；只能构建稀疏地图
直接法：
优点：省去计算描述子时间、可以在特征缺失的场合使用；可以构建半稠密乃至稠密地图
缺点：易受光照影响；运动需要微小，要求相机运动慢或采样频率高（可用图像金字塔改善）；非凸性，单个像素没有区分度