1. 课程导入
激光SLAM（Simultaneous Localization and Mapping，同步定位与建图）在实验室里跑通，和在量产车上长期稳定运行，是两件难度完全不同的事。实验室关注的是"能不能建出图、能不能定位"，量产关注的是"十万台车、三年生命周期、各种极端场景下，定位是否始终可信"。本课程围绕这条从算法原型到量产落地的完整链路展开，帮助你把激光SLAM从"能跑"推进到"敢交付"。
一、学习目标：从算法能力到工程能力
本课程的学习目标可以归纳为四个层次，逐层递进：
- 原理层：理解激光SLAM前端配准、后端优化、回环检测、地图表达的核心机制，能说清每个模块的输入输出与误差来源。
- 工程层：掌握量产定位系统的架构设计、坐标系管理、时间同步、传感器标定与在线监控等工程要素。
- 验证层：建立鲁棒性验证方法论，包括场景库构建、指标定义、回归测试、故障注入与失效复盘。
- 落地层：理解量产约束下的算力、内存、功耗、成本与功能安全要求，能做出合理的工程取舍。
二、核心概念：先建立统一语言
在进入具体技术之前，需要先统一几个贯穿全课程的核心概念，避免后续讨论中概念混淆。
| 概念 | 含义 | 量产关注点 |
|---|---|---|
| 里程计（Odometry） | 相邻帧之间的相对位姿估计 | 短时精度、漂移率、实时性 |
| 回环（Loop Closure） | 识别曾经到过的位置并修正累积误差 | 误检率、修正一致性 |
| 全局定位（Global Localization） | 在已知地图中确定绝对位姿 | 冷启动速度、重定位成功率 |
| 地图（Map） | 用于定位的环境表达，如点云地图、特征地图、栅格地图 | 体积、更新策略、版本管理 |
| 鲁棒性（Robustness） | 系统在退化、动态、遮挡等异常下的可用性 | 退化检测、失效恢复 |
| 置信度（Confidence） | 对当前定位结果可信程度的量化评估 | 与下游决策的接口 |
其中"置信度"是量产系统区别于原型系统最关键的输出。原型系统只输出位姿，量产系统必须同时输出"这个位姿有多可信"，供规划控制模块决定是否降级、是否接管。
三、整体框架：一条从传感器到决策的链路
激光SLAM量产定位系统的整体框架可以抽象为一条信号链：传感器输入经过预处理、前端配准、后端优化，输出位姿与置信度，再经过监控与降级逻辑，最终提供给下游使用。下图展示了这条链路的主要环节与相互关系。
这条链路中有三个关键设计点：第一，预处理阶段的时间同步与外参标定决定了后续所有估计的上限；第二，前端与后端之间是松耦合还是紧耦合，直接影响系统在退化场景下的表现；第三，监控反馈回路是量产系统的"安全阀"，没有它，系统在异常时无法自知。
四、量产落地挑战：实验室不会告诉你的问题
从原型到量产，激光SLAM面临的挑战可以归纳为以下几类典型场景：
- 场景退化：长走廊、隧道、空旷广场等几何特征不足的环境，点云配准会出现某个方向不可观测，导致位姿漂移甚至发散。
- 动态干扰：大量行人、车辆、施工围挡等动态物体，会污染配准结果，产生虚假约束。
- 环境变化：季节更替、植被生长、建筑改造导致地图与当前观测不一致，回环和全局定位容易失败。
- 传感器异常：激光雷达脏污、雨雾衰减、IMU零偏漂移，都会让原本正常的算法突然失效。
- 资源约束：车规级芯片算力有限，地图不能无限增大，内存和功耗都有硬上限。
- 长尾验证：量产要求覆盖极低概率场景，但真实路测无法穷举，必须依赖仿真与故障注入。
五、一个典型复盘场景
某量产项目在隧道场景中出现定位跳变。复盘发现：隧道内壁几何特征单一，前端配准在纵向（沿隧道方向）不可观测，但系统没有检测到这一退化，仍然以正常置信度输出位姿。后端优化时，错误的帧间约束被当作有效观测，导致轨迹整体偏移。最终解决方案包括三部分：引入退化检测模块，在配准协方差矩阵中识别不可观测方向；在退化方向上融合轮速里程计约束；当置信度低于阈值时主动触发降级并请求重定位。
退化检测伪代码示例：
compute Hessian H from point-to-plane residuals
eigenvalues = eig(H)
if min(eigenvalues) < threshold:
degraded_direction = eigenvector(min(eigenvalues))
confidence = LOW
fuse_odometry(degraded_direction)
if confidence < safe_threshold:
trigger_relocalization()