一、SLAM概述与课程导论

1.1 什么是SLAM？

SLAM，全称是 Simultaneous Localization and Mapping。中文叫「同步定位与地图构建」。说白了，就是让一个机器人，在完全陌生的环境里，一边走路，一边给自己画地图。

你想想看，一个机器人被丢进一栋大楼。它不知道自己在哪，也不知道楼里长什么样。它只能靠身上的传感器——比如激光雷达、摄像头——去感知周围。然后，它必须同时回答两个问题：

• 我在哪？（定位）
• 周围长什么样？（建图）

这两个问题其实是互相依赖的。没有地图，你很难准确定位。没有准确定位，你又建不出好地图。这就是SLAM要解决的「鸡生蛋蛋生鸡」问题。

我个人习惯把SLAM分成两大流派：激光SLAM和视觉SLAM。激光SLAM用激光雷达，精度高，但传感器贵。视觉SLAM用摄像头，成本低，但计算量大，对光照敏感。我在项目中遇到过不少团队，一开始盲目追求视觉方案，结果在暗光环境下直接崩掉。嗯，这里要注意——选型要看场景，不是越新越好。

1.2 SLAM的应用场景

SLAM不是实验室里的玩具。它已经渗透到我们生活的方方面面。我挑三个最典型的场景聊聊。

1.2.1 扫地机器人

这是SLAM最「接地气」的应用。你买一台扫地机器人，它一开机，就开始在客厅里跑。它要回答：

• 我撞到墙了吗？
• 刚才扫过的区域是哪里？
• 充电座在哪个方向？

早期的扫地机器人用的是随机碰撞+红外传感器，效率极低。现在的旗舰机型，基本都上了激光雷达SLAM。我记得2018年帮一家扫地机厂商做优化时，发现他们的SLAM模块在长走廊里会「漂移」。后来排查发现是里程计标定不准。调了一周参数，定位误差从30cm降到了5cm以内。

1.2.2 自动驾驶

自动驾驶对SLAM的要求，比扫地机器人高一个数量级。车速快、环境动态、安全要求极高。车上的SLAM系统需要：

• 实时输出厘米级定位
• 在高速、隧道、雨雾天气下稳定工作
• 与GPS、IMU、轮速计做多传感器融合

说白了，自动驾驶SLAM的核心不是「能不能建图」，而是「能不能在极端条件下不崩」。我参与过一个园区无人车的项目，测试时发现，车辆经过一片树荫时，视觉SLAM的特征点数量骤降，定位直接跳变。后来我们加了IMU预积分，才把这个问题压下去。

1.2.3 AR/VR

AR/VR是SLAM的新战场。你戴上AR眼镜，虚拟物体要「粘」在真实桌面上。这需要SLAM实时估计眼镜的6自由度位姿。而且延迟必须低于20ms，否则用户会头晕。

视觉惯性SLAM（VINS）是AR的主流方案。它用摄像头+IMU，在手机或眼镜上跑。我去年帮一个AR创业公司做技术选型，对比了ORB-SLAM3和VINS-Fusion。最终选了VINS-Fusion，因为它在快速旋转场景下更稳。你想想看，用户猛一转头，如果SLAM跟丢了，虚拟物体就飞了——那体验太糟糕了。

1.3 课程目标与学习路径

这门课的目标很明确：让你能亲手搭建一个可用的SLAM系统。不是只懂理论，而是能写代码、能调参、能解决实际工程问题。

我设计了这样一条学习路径：

阶段	内容	目标
基础篇	坐标系、传感器、概率论基础	理解SLAM的数学框架
核心篇	前端里程计、后端优化、回环检测	掌握主流SLAM算法原理
实战篇	激光SLAM、视觉SLAM、多传感器融合	能独立搭建和调试SLAM系统
进阶篇	语义SLAM、动态环境、大规模建图	解决工业级难题

每一章我都会给出可运行的代码示例。你跟着敲一遍，跑一遍，再改一改参数看看效果。这是我认为最有效的学习方式。

1.4 SLAM知识体系总览

下面这张图，是我自己梳理的SLAM知识体系。它把整个SLAM拆成了几个模块，以及它们之间的数据流。你把这幅图记在脑子里，后面学每一章时，就知道它属于哪个位置。

从这张图你可以看到，SLAM不是一条直线走到底。前端里程计负责「短时跟踪」，后端优化负责「全局一致性」，回环检测负责「修正漂移」。三者缺一不可。

我刚开始学SLAM时，总以为前端最重要。后来在项目里被回环检测坑过几次，才明白——没有回环的SLAM，跑久了就是废的。你想想看，一个扫地机器人扫了半小时，地图已经歪了30度，它还能找到充电座吗？

好了，这一章就到这里。后面的章节，我们会一步步深入每个模块。你跟着我走，把代码跑起来，把参数调明白。遇到问题别慌，我踩过的坑，你大概率也会踩到。到时候翻翻课程里的「避坑指南」，能省你不少时间。

可可精品资料库