SLAM 技术全解：vSLAM vs Lidar SLAM 与多传感器融合

「具身智能落地实战」系列第 3 篇
前两篇我们拆解了具身机器人的硬件系统和 VLA 大脑。但机器人要在物理世界中行动，首先要回答两个最基本的问题：「我在哪？」和「周围有什么？」。这两个问题的答案，来自 SLAM 技术。本文从基本原理、技术路线、多传感器融合三个维度，系统性拆解 SLAM，帮你理解机器人是如何「认识」这个世界的。

---

引言：机器人的「方向感」从哪来

人类在熟悉的环境中行走，几乎不需要思考就能知道自己在哪、该往哪走。我们依靠视觉、前庭觉（内耳平衡）、肌肉记忆等多种感官的协同，实时构建对环境的认知。

但机器人没有这种「天生的方向感」。它被放到一个陌生环境中时，面对的是一片空白——不知道自己在哪，不知道周围有什么，更不知道该怎么走。要让机器人能够自主移动，必须先解决两个核心问题：

1. 定位（Localization）：机器人在环境中处于什么位置、什么姿态？
2. 建图（Mapping）：机器人周围的环境是什么样的？有哪些障碍物、哪些通道、哪些目标？

这两个问题看似简单，却构成了一个经典的「鸡生蛋」悖论——要定位，需要先有地图；要建图，需要先知道自己的位姿。两者相互依赖，必须同时求解。

SLAM（Simultaneous Localization and Mapping，同时定位与建图）正是解决这一悖论的技术。它让机器人在未知环境中，一边移动一边构建地图，同时利用地图推算自己的位置。可以说，SLAM 是移动机器人的「空间认知基础」，没有 SLAM，机器人就是一个「瞎子」——既不知道自己在哪，也不知道周围有什么。

---

一、什么是 SLAM：同时定位与建图的「鸡生蛋」问题

1.1 定位：我在哪

定位要解决的是机器人的「位姿」（Pose）问题。位姿包含两个部分：

• 位置（Position）：机器人在空间中的坐标（x, y, z）
• 姿态（Orientation）：机器人的朝向（roll, pitch, yaw，即横滚、俯仰、偏航）

在二维平面移动的机器人（如轮式机器人），位姿是 3 维的（x, y, yaw）；在三维空间移动的机器人（如无人机、人形机器人），位姿是 6 维的（x, y, z, roll, pitch, yaw）。

定位的本质是：通过传感器数据，推算机器人相对于环境的位姿变化。

1.2 建图：周围有什么

建图要解决的是环境的「表示」问题。机器人需要把感知到的环境信息，转化为一种可以存储、可以查询、可以用于导航的地图表示。

常见的地图表示方式包括：

不同的地图表示适用于不同的任务。对于简单的避障导航，2D 栅格地图就够了；对于需要精细操作的具身机器人，3D 点云地图甚至语义地图是必要的。

1.3 鸡生蛋问题：两者如何同时进行

定位和建图构成了一个循环依赖：

• 要精确定位，需要有一张准确的地图作为参考
• 要构建准确的地图，需要知道机器人每一步的精确位姿

这就像「先有鸡还是先有蛋」——没有地图就无法定位，没有定位就无法建图。

SLAM 的核心思想是用概率的方法同时求解这两个问题。它不追求一次性得到完美的地图和精确的位姿，而是通过不断迭代优化，逐步逼近最优解：

1. 机器人移动一小段，通过传感器数据估算位姿变化（里程计）
2. 用估算的位姿，把新观测到的环境数据融入地图
3. 用更新后的地图，反过来修正之前的位姿估计
4. 不断重复这个过程，同时优化位姿和地图

这个过程中，误差会不断累积（每一步的估算都有微小误差，走得越远累积越大），因此需要「回环检测」来消除累积漂移——当机器人识别出「这个地方我之前来过」时，就可以用全局约束把漂移「拉回来」。我们在后面会详细展开。

工程视角： SLAM 不是一个「算法」，而是一个「系统」。它包含传感器选型、前端匹配、后端优化、回环检测、地图构建等多个模块，每个模块都有大量的工程细节需要打磨。在实际项目中，很少有人从零写 SLAM，通常是基于开源框架（如 ORB-SLAM、Cartographer、LOAM）进行定制和优化。选择合适的开源框架、针对具体场景调参、处理传感器标定和同步问题，才是工程落地的核心工作。

---

二、SLAM 的基本流程：从传感器数据到地图

一个完整的 SLAM 系统通常包含四个核心模块：前端、后端、回环检测、地图构建。

2.1 前端：帧间匹配与里程计

前端（Front-end）负责处理传感器原始数据，估算相邻两帧之间的机器人位姿变化，也就是「里程计」（Odometry）。

• 视觉前端：提取图像特征点（如 ORB、SIFT、SuperPoint），匹配相邻帧的特征点，通过对极几何或 PnP 算法估算相机位姿变化
• 激光前端：将相邻两帧点云进行配准（如 ICP、NDT 算法），估算位姿变化
• IMU 前端：通过积分 IMU 的加速度和角速度，估算位姿变化（但漂移大，通常作为辅助）

前端的输出是机器人每一步的「粗略位姿」，这个位姿有误差，而且误差会随时间累积。

2.2 后端：位姿优化与全局一致性

后端（Back-end）负责对前端输出的位姿序列进行优化，消除误差，构建全局一致的轨迹和地图。

常见的后端优化方法包括：

• 滤波方法：扩展卡尔曼滤波（EKF）、粒子滤波，递归地估计状态
• 优化方法：光束法平差（BA）、位姿图优化，将所有位姿和地图点作为变量，构建最小二乘问题进行全局优化

目前主流的 SLAM 系统大多采用位姿图优化——把机器人的每个位姿作为图中的一个节点，把相邻帧之间的位姿约束作为边，通过优化整个图来得到全局一致的轨迹。

2.3 回环检测：消除累积漂移的关键

回环检测（Loop Closure Detection）是 SLAM 中最关键也最有挑战性的模块之一。

机器人长时间移动后，前端的累积误差会越来越大，导致轨迹和地图严重失真。回环检测的作用是：当机器人识别出「这个地方我之前来过」时，建立一个全局约束，把漂移的轨迹「拉回来」。

回环检测的方法包括：

• 词袋模型（BoW）：将图像特征转化为视觉词袋向量，通过计算向量相似度判断是否回环
• 深度学习特征：用预训练的神经网络提取图像全局特征，进行相似度匹配
• 几何验证：初步判断回环后，通过几何一致性验证（如 RANSAC）排除误检

回环检测一旦成功，后端就可以利用这个全局约束进行优化，显著提升地图的全局一致性。可以说，没有回环检测的 SLAM，只能叫「里程计」——走得越远，误差越大，最终地图完全失真。

2.4 地图构建：从栅格到点云到语义

有了优化后的位姿序列，就可以把传感器观测到的环境数据「拼」成一张完整的地图。

• 2D 栅格地图：将激光扫描数据根据位姿投影到平面，统计每个格子被占用的概率
• 3D 点云地图：将多帧点云根据位姿拼接，形成完整的三维点云
• 稠密地图：用 TSDF（截断符号距离函数）等方法构建稠密的三维表面
• 语义地图：在几何地图基础上，用语义分割网络标注每个区域/物体的类别

地图构建的输出，最终会用于导航、避障、路径规划、人机交互等下游任务。

---

三、vSLAM vs Lidar SLAM：两条技术路线的对比

根据使用的主传感器不同，SLAM 主要分为两条技术路线：vSLAM（视觉 SLAM）和 Lidar SLAM（激光雷达 SLAM）。

3.1 vSLAM：用眼睛看世界

vSLAM（visual SLAM）以摄像头作为主传感器，通过视觉信息实现定位与建图。

摄像头类型：

代表算法： ORB-SLAM 系列、VINS-Mono、SVO、DSO、Kimera 等。

优点：

• 成本低，摄像头比激光雷达便宜得多
• 信息丰富，图像包含颜色、纹理、语义等信息，便于做语义理解
• 体积小、功耗低，适合小型机器人和消费级产品
• 可以识别物体、文字、人脸等语义信息，这是激光雷达做不到的

缺点：

• 受光照影响大，强光、逆光、黑暗环境下性能急剧下降
• 弱纹理场景（白墙、空旷走廊）特征点少，容易跟踪失败
• 单目相机有尺度不确定性，需要其他传感器（如 IMU）提供尺度
• 快速运动时容易模糊、丢帧

3.2 Lidar SLAM：用激光量世界

Lidar SLAM 以激光雷达作为主传感器，通过激光测距实现定位与建图。

激光雷达类型：

代表算法： GMapping、Hector SLAM、Cartographer（2D）；LOAM、LeGO-LOAM、LIO-SAM、FAST-LIO（3D）。

优点：

• 精度高，激光测距精度通常在厘米级甚至毫米级
• 直接获取三维几何信息，不需要像视觉那样通过三角化计算深度
• 不受光照影响，白天黑夜都能正常工作
• 测距范围远，工业级激光雷达可以测几十米甚至上百米

缺点：

• 成本高，3D 激光雷达价格昂贵（虽然近年来固态激光雷达在降价）
• 体积大、重量大，不适合小型机器人
• 空旷地带（如走廊、大厅）点云特征少，容易匹配失败
• 点云稀疏（尤其是低线数雷达），难以获取精细的纹理和语义信息
• 雨雪雾天气下激光会衰减，影响室外性能

3.3 对比分析

工程视角： vSLAM 和 Lidar SLAM 不是「谁更好」的关系，而是「谁更适合什么场景」的关系。室内、结构化、成本敏感的场景（如家用机器人、服务机器人），vSLAM 更合适；室外、大范围、高精度要求的场景（如自动驾驶、矿山机器人），Lidar SLAM 更合适。而对于具身机器人（人形、四足），通常需要两者融合——视觉提供语义和丰富纹理，激光提供精确几何和测距，再加上 IMU 提供高频运动估计，三者协同才能在复杂环境中稳定工作。

---

四、多传感器融合：VIO、LIO 与 VILIO

单一传感器都有各自的局限性，实际机器人系统通常采用多传感器融合方案，取长补短。

4.1 为什么需要融合

没有任何一种传感器能在所有场景下都稳定工作。融合多种传感器，可以让它们互相弥补缺陷：

• 视觉/激光提供低频但精确的位姿估计
• IMU 提供高频但漂移的运动估计
• 两者融合后，得到既精确又高频、既鲁棒又平滑的位姿估计

4.2 VIO：视觉 + IMU 的黄金组合

VIO（Visual-Inertial Odometry，视觉惯性里程计）是视觉 SLAM 中最常用的融合方案，将摄像头和 IMU 紧密结合。

融合原理：

• IMU 提供高频（200-1000Hz）的运动估计，在视觉帧之间（通常 30Hz）「填补空白」
• 视觉提供低频但无漂移的位姿估计，用来校正 IMU 的累积漂移
• 两者联合优化，得到既高频又精确的位姿

VIO 的优势：

• 解决了单目视觉的尺度不确定性问题（IMU 提供加速度，可以恢复尺度）
• 快速运动时视觉丢帧，IMU 可以继续提供位姿估计
• 体积小、成本低，适合消费级产品（如无人机、AR 眼镜、手机）

代表算法： VINS-Mono、MSCKF、OKVIS、Kimera-VIO 等。

4.3 LIO：激光 + IMU 的高精度方案

LIO（Lidar-Inertial Odometry，激光惯性里程计）将激光雷达和 IMU 融合，是目前室外和工业场景中最主流的高精度 SLAM 方案。

融合原理：

• IMU 提供高频运动估计，用于激光点云的去畸变（机器人运动时，一帧点云的不同扫描线是在不同时刻获取的，需要用 IMU 运动补偿来校正）
• 激光提供精确的位姿估计，用来校正 IMU 漂移
• 两者紧耦合优化，得到高精度、高鲁棒的位姿和地图

LIO 的优势：

• 精度高，激光 + IMU 融合可以达到厘米级甚至毫米级定位精度
• 鲁棒性强，激光不受光照影响，IMU 填补激光帧间空白
• 适合室外、大范围、高精度要求的场景

代表算法： LIO-SAM、FAST-LIO、FAST-LIVO、R3LIVE 等。

4.4 融合方法：松耦合 vs 紧耦合

多传感器融合有两种基本架构：

松耦合（Loosely Coupled）：

• 每个传感器先独立估计位姿，然后把多个位姿结果进行融合
• 优点：模块化、易于实现、每个模块可以独立调试
• 缺点：信息损失（每个传感器的原始观测在独立估计时已经被压缩），精度相对较低

紧耦合（Tightly Coupled）：

• 把所有传感器的原始观测放在一起，联合优化一个目标函数
• 优点：信息保留完整、精度高、鲁棒性强
• 缺点：实现复杂、计算量大、调试困难

目前主流的 VIO/LIO 算法（如 VINS、FAST-LIO）都采用紧耦合架构，通过因子图优化或迭代卡尔曼滤波，将视觉/激光观测和 IMU 预积分联合优化，得到最高精度。

工程视角： 多传感器融合说起来简单，做起来全是细节。最大的挑战不是算法，而是传感器标定和时间同步。多个传感器的安装位置有偏差（外参标定）、时钟不同步（时间偏移）、采样频率不一致，这些问题如果处理不好，融合效果还不如单一传感器。在实际项目中，标定和同步的工作量往往占整个 SLAM 开发的 40% 以上。因此，选择已经做好硬件同步和标定的传感器套装（如深度相机自带 IMU 且出厂标定），可以大幅降低开发难度。

---

五、具身机器人 SLAM 的特殊挑战

传统 SLAM 主要面向轮式机器人和自动驾驶，假设环境相对静态、机器人运动平稳。但具身机器人（人形、四足）面临更复杂的挑战。

5.1 动态环境：移动的人和物

传统 SLAM 假设环境是静态的——所有物体都不动，只有机器人自己在动。但真实环境中充满了动态物体：走来走去的人、行驶的车辆、移动的货物。这些动态物体会干扰特征匹配和点云配准，导致 SLAM 跟踪失败或地图失真。

应对方法：

• 动态物体检测与剔除：用语义分割网络识别出动态物体（人、车），在特征匹配和点云配准时剔除这些区域
• 多视图几何约束：利用动态物体在多视图中的运动不一致性，区分静态背景和动态物体
• 动态 SLAM 算法：如 DynaSLAM、MaskFusion、Detect-SLAM 等，专门针对动态环境设计

5.2 机器人运动带来的干扰

人形机器人和四足机器人的运动方式与轮式机器人完全不同：

• 颠簸和震动：行走时脚底接触地面的冲击会传递到传感器，导致图像模糊、点云畸变
• 频繁遮挡：机器人的手臂、腿部可能会遮挡摄像头和激光雷达
• 运动模式复杂：行走、跑步、转弯、下蹲、上下楼梯，运动模式多样且剧烈
• 姿态变化大：人形机器人的俯仰、横滚角度变化大，不像轮式机器人基本保持水平

这些因素都会增加 SLAM 的难度，需要更鲁棒的算法和更精心的传感器安装设计（如增加减震机构、选择合适的安装位置避免自遮挡）。

5.3 语义 SLAM：从几何到语义

传统 SLAM 只构建几何地图——知道「这里有一堵墙」「那里有一个障碍物」，但不知道「这堵墙是什么颜色」「那个障碍物是椅子还是桌子」。

但具身机器人要完成复杂任务（如「把桌子上的红色杯子拿给我」），不仅需要知道环境的几何结构，还需要知道环境中每个物体的语义类别、位置、属性。这就是语义 SLAM（Semantic SLAM）。

语义 SLAM 在传统几何 SLAM 的基础上，增加了语义理解模块：

• 用语义分割网络对每一帧图像进行像素级语义标注
• 将语义信息与几何信息融合，构建「语义地图」
• 语义地图不仅知道「那里有个物体」，还知道「那是一把椅子，在桌子旁边」

语义地图是 VLA 模型的重要输入——VLA 模型需要知道环境中有哪些物体、在哪里，才能根据语言指令生成正确的动作。

5.4 SLAM 与 VLA 的协同

在具身智能系统中，SLAM 和 VLA 不是孤立的两个模块，而是紧密协同的：

• SLAM 为 VLA 提供空间认知：SLAM 构建的地图（尤其是语义地图）告诉 VLA 模型「环境中有什么、在哪里」，VLA 模型基于这些信息进行任务规划和动作生成
• VLA 为 SLAM 提供任务引导：VLA 模型根据任务需求，可以引导 SLAM 重点关注任务相关的区域（如「我要去拿杯子，SLAM 请重点关注桌子区域的建图」）
• 两者共享感知输入：摄像头图像同时输入 SLAM（用于定位建图）和 VLA（用于语义理解和动作生成），避免重复计算

未来的趋势是 SLAM 和 VLA 的深度融合——不再是两个独立模块，而是一个统一的「空间认知与动作生成」模型，同时完成定位、建图、语义理解、任务规划和动作生成。

---

六、总结

SLAM 是移动机器人和具身智能的「空间认知基础」，它让机器人能够回答「我在哪」和「周围有什么」这两个基本问题。

核心要点回顾：

1. 基本原理：SLAM 同时求解定位和建图这两个相互依赖的问题，通过概率方法和迭代优化逐步逼近最优解
2. 基本流程：前端（帧间匹配/里程计）→ 后端（位姿优化/全局一致性）→ 回环检测（消除累积漂移）→ 地图构建（栅格/点云/语义）
3. 两条技术路线：vSLAM（视觉，成本低、信息丰富、受光照影响）和 Lidar SLAM（激光，精度高、不受光照影响、成本高），各有适用场景
4. 多传感器融合：VIO（视觉+IMU）和 LIO（激光+IMU）是目前的主流方案，紧耦合融合精度更高，但传感器标定和时间同步是工程难点
5. 具身机器人的特殊挑战：动态环境、复杂运动干扰、语义 SLAM、SLAM 与 VLA 协同，是具身智能对 SLAM 技术提出的新要求

SLAM 是一个已经发展了三十多年的成熟领域，但在具身智能时代，它正在经历新的变革——从纯几何到语义、从单传感器到多模态融合、从独立模块到与大模型深度协同。理解 SLAM 的基本原理和工程实践，是做好具身机器人落地的必备基础。

---

关于作者： 越微智能（Yuewell）专注具身智能与工业 AI 视觉落地，基于自研 VLA 多模态大模型，提供全品牌机器人二次开发（适配宇树/优必选/智元/傅利叶）与工业级视觉算法定制，支持从算法、硬件到产线实机部署的全栈交付。
下一篇预告： 《Sim-to-Real 全链路：物理引擎、合成数据与领域随机化》，我们将拆解如何让机器人在虚拟世界中「训练一万次」，然后安全地迁移到真实世界，敬请关注。