SLAM是Simultaneous localization and mapping縮寫，意為“同步定位與建圖”，主要用于解決機器人在未知環境運動時的定位與地圖構建問題。

SLAM的典型應用領域

主要應用于機器人定位導航領域：地圖建模。

SLAM可以輔助機器人執行路徑規劃、自主探索、導航等任務。國內的科沃斯、塔米以及最新面世的嵐豹掃地機器人都可以通過用SLAM算法結合激光雷達或者攝像頭的方法，讓掃地機高效繪制室內地圖，智能分析和規劃掃地環境，從而成功讓自己步入了智能導航的陣列。

VR/AR方面：輔助增強視覺效果。SLAM技術能夠構建視覺效果更為真實的地圖，從而針對當前視角渲染虛擬物體的疊加效果，使之更真實沒有違和感。VR/AR代表性產品中微軟Hololens、谷歌ProjectTango以及MagicLeap都應用了SLAM作為視覺增強手段。

無人機領域：地圖建模。SLAM可以快速構建局部3D地圖，并與地理信息系統（GIS）、視覺對象識別技術相結合，可以輔助無人機識別路障并自動避障規劃路徑，曾經刷爆美國朋友圈的Hovercamera無人機，就應用到了SLAM技術。

無人駕駛領域：視覺里程計。SLAM技術可以提供視覺里程計功能，并與GPS等其他定位方式相融合，從而滿足無人駕駛精準定位的需求。例如，應用了基于激光雷達技術Google無人駕駛車以及牛津大學MobileRoboticsGroup11年改裝的無人駕駛汽車野貓(Wildcat)均已成功路測。

SLAM系統構成

SLAM系統一般分為五個模塊，包括傳感器數據、視覺里程計、后端、建圖及回環檢測。

傳感器數據：主要用于采集實際環境中的各類型原始數據。包括激光掃描數據、視頻圖像數據、點云數據等。

視覺里程計：主要用于不同時刻間移動目標相對位置的估算。包括特征匹配、直接配準等算法的應用。

后端：主要用于優化視覺里程計帶來的累計誤差。包括濾波器、圖優化等算法應用。

建圖：用于三維地圖構建。

回環檢測：主要用于空間累積誤差消除

其工作流程大致為：

傳感器讀取數據后，視覺里程計估計兩個時刻的相對運動（Ego-motion），后端處理視覺里程計估計結果的累積誤差，建圖則根據前端與后端得到的運動軌跡來建立地圖，回環檢測考慮了同一場景不同時刻的圖像，提供了空間上約束來消除累積誤差。

ALAM回環檢測

在視覺SLAM問題中，位姿的估計往往是一個遞推的過程，即由上一幀位姿解算當前幀位姿，因此其中的誤差便這樣一幀一幀的傳遞下去，也就是我們所說的累計誤差。

我們的位姿約束都是與上一幀建立的，第五幀的位姿誤差中便已經積累了前面四個約束中的誤差。但如果我們發現第五幀位姿不一定要由第四幀推出來，還可以由第二幀推算出來，顯然這樣計算誤差會小很多，因為只存在兩個約束的誤差了。像這樣與之前的某一幀建立位姿約束關系就叫做回環。回環通過減少約束數，起到了減小累計誤差的作用。

那如何判斷兩幀圖片的相似度？最直觀的做法是特征匹配。由于特征匹配非常耗時，回環檢測需要與過去所有關鍵幀匹配，這個運算量是絕對無法承受的，因此提出了詞袋模型來加速特征匹配。

詞袋模型就是把特征看成是一個個單詞，通過比較兩張圖片中單詞的一致性，來判斷兩張圖片是否屬于同一場景。為了能夠把特征歸類為單詞，我們需要訓練一個字典。字典包含了所有可能的單詞的集合，為了提高通用性，需要使用海量的數據訓練。

SLAM分類

目前用在SLAM上的傳感器主要分為這兩類，一種是基于激光雷達的激光SLAM(Lidar SLAM)和基于視覺的VSLAM(Visual SLAM)。

1、激光SLAM

激光SLAM采用2D或3D激光雷達（也叫單線或多線激光雷達），2D激光雷達一般用于室內機器人上（如掃地機器人），而3D激光雷達一般使用于無人駕駛領域。激光雷達的出現和普及使得測量更快更準，信息更豐富。激光雷達采集到的物體信息呈現出一系列分散的、具有準確角度和距離信息的點，被稱為點云。通常，激光SLAM系統通過對不同時刻兩片點云的匹配與比對，計算激光雷達相對運動的距離和姿態的改變，也就完成了對機器人自身的定位。

激光雷達測距比較準確，誤差模型簡單，在強光直射以外的環境中運行穩定，點云的處理也比較容易。同時，點云信息本身包含直接的幾何關系，使得機器人的路徑規劃和導航變得直觀。激光SLAM理論研究也相對成熟，落地產品更豐富。

2、視覺SLAM

視覺SLAM從環境中獲取海量的、富于冗余的紋理信息，擁有超強的場景辨識能力。早期的視覺SLAM基于濾波理論，其非線性的誤差模型和巨大的計算量成為了它實用落地的障礙。近年來，隨著具有稀疏性的非線性優化理論(Bundle Adjustment)以及相機技術、計算性能的進步，實時運行的視覺SLAM已經不再是夢想。

視覺SLAM的優點是它所利用的豐富紋理信息。例如兩塊尺寸相同內容卻不同的廣告牌，基于點云的激光SLAM算法無法區別他們，而視覺則可以輕易分辨。這帶來了重定位、場景分類上無可比擬的巨大優勢。同時，視覺信息可以較為容易的被用來跟蹤和預測場景中的動態目標，如行人、車輛等，對于在復雜動態場景中的應用這是至關重要的。

通過對比發現，激光SLAM和視覺SLAM各擅勝場，單獨使用都有其局限性，而融合使用則可能具有巨大的取長補短的潛力。例如，視覺在紋理豐富的動態環境中穩定工作，并能為激光SLAM提供非常準確的點云匹配，而激光雷達提供的精確方向和距離信息在正確匹配的點云上會發揮更大的威力。而在光照嚴重不足或紋理缺失的環境中，激光SLAM的定位工作使得視覺可以借助不多的信息進行場景記錄。

國內SLAM發展現狀

激光SLAM比視覺SLAM起步早，在理論、技術和產品落地上都相對成熟。基于視覺的 SLAM 方案目前主要有兩種實現路徑，一種是基于 RGBD 的深度攝像機，比如 Kinect；還有一種就是基于單目、雙目或者魚眼攝像頭的。VSLAM 目前尚處于進一步研發和應用場景拓展、產品逐漸落地階段。

隨著SLAM技術重要性的凸顯以及應用市場的擴大 ，一些企業開始紛紛投入到SLAM技術研發中，這其中也可分為兩大類，一是專門提供導航定位模塊的企業，另一類則是移動機器人廠商，其開發SLAM多為自用。

隨著SLAM技術重要性的凸顯，國內越來越多企業紛紛投入SLAM技術的研發中，除了一些移動機器人廠商作為自用研發，也不乏一些企業專門提供定位導航模塊。思嵐科技就是其中一家，作為機器人定位導航技術的領先企業，思嵐科技主要以激光SLAM取勝。它是我國最早將激光SLAM應用于服務機器人的企業，為了幫助機器人實現自主行走，國內思嵐科技推出了模塊化自主定位導航解決方案SLAMWARE，這套定位導航方案以激光雷達作為核心傳感器，搭配定位導航控制核心SLAMWARE Core，可使機器人實現自主定位導航、自動建圖、路徑規劃與自動避障等功能。據了解，該開發套裝具有12米家用版及25米商用版之分，主要區別在于傳感器測距范圍的不同，思嵐科技商用版除了25米測距外，還推出了首款TOF激光雷達，測距半徑可達到40米，能滿足更多更大場景的應用，且抗光干擾能力更勝一籌。在室外60Klx的強光下依舊能實現穩定測距及高精度地圖建圖。無論是室內還是室外場景，都能輕松完成任務。

除了思嵐科技，國內速感科技、布科思、米克力美、高仙、斯坦德等企業也涌入其中，且大多企業以激光SLAM為主，畢竟激光SLAM是當下最穩定、可靠的定位導航方案，而視覺SLAM將是未來主流研究方向，不過未來兩者融合也將成為一種趨勢，采用多傳感器融合能做到取長補短，為市場打造出更好用的定位導航解決方案，進一步實現機器人的智能化進程。

總體來說，目前國內SLAM技術無論是在技術層面還是應用層面仍處于發展階段，未來，隨著消費刺激及產業鏈不斷發展，SLAM技術將會有一片更為廣闊的市場。

審核編輯 黃昊宇