众擎视觉感知面试，人形机器人的SLAM跟无人车有什么不同

前两篇聊了运动控制和嵌入式系统，管的是"怎么走"和"怎么执行"。这篇聊感知——人形机器人要自主行动，得先知道自己在哪里、周围是什么环境。跟无人车的SLAM不同，人形机器人的感知有两个独特挑战：一是视角在晃动（走路时头部上下起伏加前后摇摆，相机画面不稳定）；二是需要理解3D场景的语义（不只是"那里有个障碍物"，还要知道"那是门把手可以抓"还是"那是杯子可以拿"）。众擎视觉感知工程师面试核心考的是视觉SLAM和语义场景理解。

面试官的开场问题很有针对性："人形机器人走路时相机在晃，你怎么做视觉里程计（Visual Odometry）？"

视觉SLAM：在晃动的相机上做稳定定位

视觉SLAM的基本流程是：从相机图像中提取特征点→在连续帧之间匹配特征点→通过特征点匹配估计相机运动（位姿估计）→建图并做回环检测。但在人形机器人上，相机晃动会导致两个问题：图像模糊（快速运动时曝光时间内相机移动导致运动模糊）和特征匹配困难（相邻帧之间的视角变化太大，特征点外观变化剧烈）。

解决图像模糊的方式有两种：硬件层面——用高帧率相机（120Hz或更高）缩短每帧的曝光时间，减少运动模糊；或者加光学防抖镜头。算法层面——用对模糊鲁棒的特征描述子（比如ORB对轻微模糊比SIFT更鲁棒）；或者在运动特别剧烈的帧之间插入IMU预积分提供的位姿预测，减少对视觉特征的依赖。

面试官追问："如果某一步走得太猛导致连续几帧都严重模糊、特征匹配全部失败，怎么办？