上一篇我们聊完了运动规划算法的实测对比。规划做得再好，机器人不知道自己在哪、周围环境长什么样，一切都是白搭。这就引出了机器人领域最核心的问题之一——SLAM。

SLAM，全称Simultaneous Localization and Mapping，中文叫"同步定位与建图"。说白了就是一件事：机器人到了一个完全陌生的地方，它得一边搞清楚"我在哪"，一边画出一张"这里长什么样"的地图。这两个问题互相依赖——你不知道自己在哪，就画不准地图；你没有地图，又没法精确定位。

听起来像个鸡生蛋蛋生鸡的死循环，但前辈们硬是把这个问题给解了。这篇文章带你理清SLAM的全貌，搞清楚它到底在解决什么问题、有哪些技术路线、面试时该怎么聊。

一个直觉：蒙眼走路的人类版本

想象你被蒙上眼睛空投到一个陌生的商场里。你看不见，但每走一步你能感觉到自己移动了多远（里程计），同时你能摸到周围的墙壁、柱子（传感器观测）。

你的大脑在做两件事：根据脚步的感觉估算自己走到了哪里（定位），根据摸到的墙壁和柱子在脑子里构建商场的布局（建图）。而且这两件事是互相校正的——当你摸到一根之前摸过的柱子，你立刻就知道"哦，我回到刚才那个位置了"，然后修正之前可能走偏的估计。

这就是SLAM在做的事。里程计会累积误差（你走路会偏），传感器观测有噪声（你摸墙壁的感觉不完全准），但两者结合起来就能得到一个比单独用任何一个都准的结果。

SLAM的数学本质

用数学语言描述，SLAM要解的是两个东西：

1. 机器人的运动轨迹 x₀, x₁, x₂, ..., xₙ（每个时刻的位姿）
2. 环境地图 m（路标点的位置或者环境的几何表示）

已知的是传感器的观测数据 z（比如相机拍到的图像、激光雷达扫到的点云）和机器人的控制输入 u（比如轮子的转速）。

运动方程描述机器人怎么动的：xₖ = f(xₖ₋₁, uₖ) + 噪声 观测方程描述机器人看到了什么：zₖ = h(xₖ, m) + 噪声

SLAM的目标就是从一堆u和z里面，反推出x和m。这是一个"逆向问题"——正向很容易（已知位置和地图算观测），逆向很难。

为什么难？因为状态空间的维度太高了。假设机器人在三维空间运动，每个位姿有6个自由度（3个平移+3个旋转），地图里有1000个路标点，每个路标点3个坐标。那一共有 6×N + 3×1000 个未知数需要求解。而每次观测只能提供很少的约束。这是一个严重欠定的问题，需要大量的观测数据才能收敛。

用Python简单表示一下这个过程：

# SLAM的核心循环
for k in range(num_steps):
    x[k] = predict(x[k-1], u[k])      # 运动模型预测
    z[k] = observe(x[k], m)            # 观测模型
    x[k], m = update(x[k], m, z[k])   # 用观测修正估计

这个predict-observe-update的循环，就是所有SLAM算法的骨架。区别只在于每一步用什么数学工具来实现。

两大技术路线：滤波vs优化

SLAM的发展历史上有两条主线。

早期用滤波，核心思想是递推估计。每个时刻来了新数据，就在之前的估计基础上更新一下。代表算法是EKF-SLAM，用扩展卡尔曼滤波来处理SLAM的非线性问题。滤波方法的优点是实时性好、理论优雅，缺点是处理大规模地图时计算量爆炸——因为地图里每个路标点都要维护和其他所有路标点的协方差，复杂度是O(n²)。

后来优化方法崛起了。核心思想是把SLAM看成一个优化问题：找到一组位姿和地图，使得所有观测误差的总和最小。代表框架是g2o和GTSAM。优化方法的优点是能处理大规模问题、精度更高，缺点是计算量大、不容易实时跑。

现在主流的方案是两者结合：前端用轻量级的方法（比如PnP、ICP）快速估计位姿，后端用优化或者滤波来做全局一致性。这个前后端分离的架构，几乎所有现代SLAM系统都在用。

传感器的选择

SLAM可以用不同的传感器，这决定了系统的特性。

视觉SLAM用相机，便宜、信息丰富，但受光照影响大，计算量也不小。相机分单目和双目（包括RGB-D）。单目相机便宜但有个致命问题——尺度不确定性，你没法从一张照片里判断物体的真实大小。双目或RGB-D相机能解决这个问题，但硬件成本更高。

激光SLAM用激光雷达，精度高、不受光照影响，但设备贵、信息量少（没有纹理颜色）。激光雷达分2D和3D。2D激光便宜但只能扫一个平面，3D激光信息丰富但价格劝退很多人。

惯性SLAM用IMU（惯性测量单元），频率高、不受环境影响，但漂移严重，单独用根本不行。所以IMU通常和其他传感器融合使用，比如视觉+IMU（VIO）或者激光+IMU。

多传感器融合是现在的趋势。视觉提供丰富的特征点，激光提供精确的距离信息，IMU提供高频的运动的约束。三者互补，效果远好于单一传感器。

面试中怎么聊SLAM

面试官问SLAM，通常想听你说清楚三件事：

第一，SLAM在解决什么问题。不是背定义，而是用通俗的话解释"定位和建图的耦合"。你能把鸡生蛋蛋生鸡的比喻讲清楚，就说明你真的理解了。

第二，SLAM的技术框架。前端后端分离、回环检测这三个模块各自在干什么。前端负责实时估计位姿，后端负责全局优化消除累积误差，回环检测负责发现"我回到原来的地方了"。

第三，你对具体系统的了解。ORB-SLAM、VINS-Mono、Cartographer这些经典系统，你至少得深入看过一个。面试官会追问细节，比如ORB-SLAM的三个线程分别在干什么、VINS-Mono的紧耦合是怎么实现的。

别贪多。把一个系统吃透，比泛泛地聊十个系统强得多。

SLAM的典型应用场景

SLAM不是实验室里的玩具，它已经落地到了很多真实场景。

自动驾驶是最典型的应用。车辆在陌生道路上行驶，需要实时知道自己的精确位置（定位），同时构建周围环境的三维模型（建图）。高精地图就是靠SLAM跑出来的。

无人机巡检也离不开SLAM。电力巡检、管道巡检，无人机要在GPS信号弱甚至没有的环境里自主飞行，必须靠SLAM来定位和避障。

服务机器人，比如扫地机器人、酒店送餐机器人，它们需要在室内环境中导航。扫地机器人用的就是2D激光SLAM或者视觉SLAM，在家庭的复杂环境里建图、规划路径。

AR/VR领域也在用SLAM。你戴上AR眼镜，设备需要实时理解你的位置和周围环境，才能把虚拟物体准确地叠加到真实世界里。手机上的AR功能（比如AR测量）底层就是视觉SLAM。

仓储物流的AGV（自动导引车）也是SLAM的重要应用。以前AGV靠地面上的磁条导航，现在越来越多的方案改用激光SLAM，不需要铺设磁条，柔性更强。

面试追问准备

面试官听完你的SLAM概述之后，通常会追问几个问题：

"视觉SLAM和激光SLAM你更推荐哪个？" 没有绝对答案，看场景。室内结构化环境激光SLAM更稳定，室外或者需要语义信息的场景视觉SLAM更合适。最好的方案是多传感器融合。

"SLAM的累积误差怎么解决？" 靠回环检测。当机器人回到之前经过的地方，识别出来之后做全局优化，把累积误差消除掉。

"SLAM初始化需要注意什么？" 单目视觉SLAM的初始化特别关键，需要足够的视差才能三角化出路标点。如果机器人原地转圈或者看的是白墙，初始化就会失败。

学习路线建议

如果你刚开始学SLAM，建议按这个顺序来：先把线性代数和概率论的基础打牢（特别是变换矩阵、贝叶斯估计），然后学视觉SLAM的前端（特征提取、对极几何、PnP），再学后端优化（BA、g2o），最后挑一个经典系统（推荐ORB-SLAM2）读源码。

高翔的《视觉SLAM十四讲》是入门首选，讲得清楚、代码齐全。看完之后再去读论文和源码，效率会高很多。

英文好的话推荐看Cyrill Stachniss的YouTube课程，讲得特别直观。论文方面，ORB-SLAM2和VINS-Mono的论文是必读的，不管你做不做这个方向，面试大概率会问到。

SLAM是个门槛高但天花板也高的领域。入门难，但一旦入门了，你的竞争力会比只会调ROS的工程师强不少。

---

SLAM这个系列我们会用30篇文章的篇幅，从数学基础到经典系统，从前端到后端，从激光到视觉，把面试中会问到的SLAM知识点全部覆盖。

上一篇：第235篇 运动规划算法实测对比 

下一篇我们先来聊SLAM的数学基础——概率论与贝叶斯估计

这是理解所有SLAM算法的底层逻辑。

如果这篇文章对你有帮助，欢迎点赞支持一下，你的鼓励是我持续更新的动力！