机器人定位技术（Robotic Localization）在过去十年的演进，标志着机器人从**“环境依赖型设备”向“全域自主智能体”**的本质跃迁。

从专业视角看，定位技术已从单一的几何残差匹配（Geometric Matching），演进为基于多源因子图优化（Factor Graph Optimization）的鲁棒系统，并正在向神经空间表征（Neural Spatial Representation）与语义空间智能迈进。

---

一、 算法范式的演进：从“线性滤波”到“非线性全局优化”

1. 经典概率滤波时代（2015年以前）

• 核心技术： 扩展卡尔曼滤波（EKF）、粒子滤波（PF）。
• 特征： 假设系统满足高斯分布，通过递归预测与更新来维持状态。
• 局限性： 在处理大规模环境或高度非线性系统时，极易产生线性化误差并导致滤波器发散。

2. 因子图与非线性优化时代（2015-2022）

• 核心突破： 以 GTSAM 和 Ceres Solver 为代表的非线性优化库成熟。
• 技术演进： 定位范式从“状态滤波”转向了“基于关键帧的平滑优化”。
• 因子图（Factor Graph）： 将激光里程计、视觉特征、IMU 预积分、甚至轮速计作为因子加入统一的图优化架构。
• 鲁棒性： 引入了回环检测（Loop Closure Detection）和全局重定位（Relocalization）能力，大幅抑制了长距离运行下的累积漂移。

---

二、 传感器维度的跨越：从“单模态”到“多源深层融合”

定位精度的提升很大程度上源于传感器数据融合深度的演进：

1. 从 2D 到 3D LiDAR 定位：

• 十年前主流是 2D 激光雷达。现在，多线束（16/32/64/128线）以及固态 LiDAR 的普及，使得机器人能够获取丰富的环境特征，定位从“平面”扩展到了复杂的“三维空间”。

2. VIO/VINS 的爆发（视觉惯性系统）：

• 通过单目/双目摄像头与高速 IMU 的紧耦合，VIO 技术实现了在 GPS 缺失环境下的高频、高精度定位。特别是在无人机和手持设备上，VINS-Mono 等开源框架推动了行业的工程化落地。

3. 多源异构融合（Multi-modal Fusion）：

• 前沿视角： 最先进的定位系统（如自动驾驶或复杂地形机器人）同时融合了 RTK-GNSS、LiDAR、视觉、IMU、甚至是超宽带（UWB）。这种冗余设计确保了在隧道、林荫道或室内外切换等极端场景下的定位连续性。

---

三、 地图表征的演进：从“几何点云”到“神经语义地图”

定位的本质是“位姿与地图的对齐”，因此地图的演进决定了定位的上限：

• 几何地图（Geometric Map）： 传统的占据栅格地图或稀疏点云地图。

• 语义地图（Semantic SLAM）：

• 专业深度： 机器人不仅利用几何点进行对齐，还识别环境中的物体（如路灯、标牌、家具）。通过语义约束，定位系统可以排除动态物体（如行人、车辆）带来的干扰，显著提升了在动态环境中的定位稳定性。

• 神经地图与隐式表示（Latest Frontier）：

• NeRF 与 3D Gaussian Splatting 定位： 利用神经网络或高斯泼溅技术对环境进行隐式建模。

• 价值： 这种表征方式允许机器人在亚像素级别进行位姿优化，且能够处理强反射、透明物体等传统视觉方法难以对付的场景。

---

四、 机器人定位十年技术对照表

维度	2015 (定位 1.0)	2025 (定位 3.0)
主流框架	EKF-based / GMapping	基于因子图优化的 LIO / VIO / 多源融合
优化方式	递归滤波，仅保留当前状态	滑动窗口优化 + 全局回环优化
鲁棒性处理	容易受到遮挡和动态物体干扰	具备动态物体过滤、语义约束与失效自检测
地图格式	2D 栅格 / 稀疏 3D 点云	稠密语义地图 / 3D Gaussian Splatting / 神经地图
定位精度	厘米级（理想环境）	亚厘米级（全场景，包含高动态环境）

---

五、 前沿趋势：迈向“全球规模的协同定位”

1. 协同 SLAM（Collaborative SLAM）：

• 多个机器人通过云端平台共享地图片段，实现多机协同定位与建图。这在大规模仓储和智慧城市建设中具有极高的工程价值。

2. 端到端学习定位（End-to-End Learned Localization）：

• 不再手动设计特征点，而是利用大型深度神经网络直接从原始传感器数据（如一张图片或一段点云）预测位姿。这种方法在处理非结构化环境（如森林、野外）时表现出极强的泛化能力。

3. 地标语义的长效定位（Long-term Localization）：

• 解决“时间跨度”带来的挑战（如同一场景在不同季节、昼夜的巨大视觉差异）。通过提取不变的高级语义特征，实现机器人在跨季节运行中的高精度重定位。

---

总结：
机器人定位技术的十年，是从**“几何匹配”向“认知空间”的进化。2025 年的定位系统已不再是孤立的算法，而是深度融合了底层物理感知、中层非线性优化与高层语义理解**的综合体系。