第1章 · SLAM概述
各位同学，欢迎来到《手把手搭建SLAM地图构建环境》。我是你们这门课的老朋友，一个在机器人感知领域摸爬滚打了七八年的工程师。今天咱们先不急着装环境、敲代码，而是坐下来聊聊——SLAM到底是什么？
说白了，SLAM就是让一个移动的机器人（或者手机、汽车）在完全陌生的环境里，一边走路一边给自己定位，同时把周围的地图画出来。你想想看，这像不像一个人蒙着眼睛走进一间黑屋子，靠摸墙和数步子来搞清楚自己在哪、屋子长什么样？嗯，差不多就是这个意思。
1.1 为什么SLAM这么重要？
我刚开始做机器人那会儿，大家还在用“磁条导航”或者“反光板”。直到2012年左右，SLAM技术开始落地，我才真正意识到——这才是让机器拥有“空间智能”的关键。没有SLAM，扫地机器人就是个乱撞的傻子；没有SLAM，自动驾驶汽车连自己在哪都不知道。
我个人习惯把SLAM比作“机器人的眼睛+小脑”。它不单单是感知，还涉及状态估计、数据关联、优化理论。嗯，听着有点唬人，但别怕，咱们这门课会一层层把它剥开。
1.2 SLAM的应用领域
你可能每天都在用SLAM，只是没意识到。我列几个最常见的场景：
- 扫地机器人 —— 这是SLAM最亲民的应用。它用激光雷达或者视觉传感器，在家里跑一圈就能画出户型图，还能记住哪里扫过、哪里没扫。我在2018年帮一家扫地机公司调过参数，说实话，最头疼的不是算法，而是家里各种玻璃和深色地毯……
- 自动驾驶 —— L3级别以上的车，几乎都离不开SLAM。高精地图的实时更新、车辆在隧道或地库的定位，全靠它。我曾经在测试场遇到过GPS信号丢失的情况，多亏了视觉SLAM撑着，车才没跑偏。
- AR/VR —— 你手机上的AR测量、虚拟物体固定摆放，背后都是SLAM在实时计算相机位姿。我记得第一次用ARKit时，觉得这东西太神奇了——其实核心就是一个轻量级的视觉SLAM。
- 无人机、仓储机器人、矿山自动驾驶 —— 这些领域SLAM几乎是标配。没有它，无人机在室内根本飞不稳。
1.3 主流SLAM方案：激光 vs 视觉
现在市面上主流的SLAM方案就两大派：激光SLAM 和 视觉SLAM。很多新手会纠结选哪个，我直接说结论：没有银弹，看场景。
| 对比维度 | 激光SLAM | 视觉SLAM |
|---|---|---|
| 核心传感器 | 激光雷达（2D/3D） | 单目/双目/深度相机 |
| 典型代表 | GMapping, Cartographer, Hector | ORB-SLAM3, VINS-Mono, DSO |
| 优点 | 精度高，直接测距，光照不敏感 | 硬件便宜，纹理信息丰富，轻量 |
| 缺点 | 无纹理信息，怕玻璃/黑墙，价格贵 | 光照敏感，弱纹理易跟丢，计算量大 |
| 典型场景 | 室内扫地机、AGV、封闭园区 | AR/VR、无人机、自动驾驶（融合） |
我个人习惯在项目初期先问三个问题：有没有光照变化？有没有动态物体？预算多少？ 如果预算充足且环境结构化，激光SLAM稳如老狗。如果要做消费级产品或者需要语义信息，视觉SLAM的上限更高。
1.4 一张图看懂SLAM知识体系
下面这张SVG图是我自己梳理的SLAM核心模块。你可以把它当作整个课程的地图——我们后面每一章都会对应到其中的一块。
你看，SLAM其实就这几大块：传感器输入 → 前端（特征提取与匹配）→ 后端（优化）→ 回环检测 → 建图。我们这门课会按照这个流程，从环境搭建开始，一步步带你手写一个完整的视觉里程计。嗯，说到这，我已经有点兴奋了。
1.5 课程地图 & 你该怎么学
这门课一共30章，前9章是基础环境（Ubuntu、ROS、工具链），中间10章是核心算法模块，最后10章是实战搭建一个视觉SLAM系统。我建议你每看完一章，都亲手把代码跑一遍。遇到问题很正常——我当年调第一个VO的时候，光CMakeLists就改吐了三次。