SLAM 算法快速入门与常见问题

SLAM 是 Simultaneous Localization and Mapping，同步定位与建图。它解决的是：机器人或设备在未知环境里，一边估计自己在哪里，一边构建周围环境地图。

SLAM 常见于机器人、无人车、无人机、AR、扫地机、移动测绘、仓储 AGV 和自动驾驶感知定位。

一句话理解

1	传感器数据 -> 估计当前位姿 -> 构建地图 -> 修正累计误差 -> 输出可用定位和地图

其中最关键的问题是误差会累积。只靠里程计或相机连续估计，走久了就会漂移，所以 SLAM 需要后端优化和回环检测来把轨迹拉回正确位置。

基本术语

术语	含义
Pose	位姿，通常包含位置和姿态
Odometry	里程计，估计相邻时刻运动
Landmark	路标点，环境中可重复观测的特征
Front-end	前端，负责特征提取、匹配、跟踪、里程计
Back-end	后端，负责优化轨迹和地图
Loop Closure	回环检测，识别回到旧位置
Map	地图，可以是稀疏点云、稠密点云、栅格图、语义地图
IMU	惯性测量单元，提供加速度和角速度

SLAM 系统常见结构

传感器输入
  -> 数据预处理
  -> 前端里程计
  -> 局部地图
  -> 后端优化
  -> 回环检测
  -> 全局地图

前端追求实时，后端追求全局一致性。

按传感器分类

类型	传感器	特点
视觉 SLAM	单目、双目、RGB-D 相机	成本低，受光照和纹理影响大
激光 SLAM	2D/3D LiDAR	几何精度高，成本和数据量较高
视觉惯性 SLAM	相机 + IMU	运动估计更稳，标定要求更高
激光惯性 SLAM	LiDAR + IMU	适合移动机器人和室外场景
多传感器 SLAM	相机、LiDAR、IMU、轮速计、GPS	鲁棒性更好，系统复杂度更高

按算法思想分类

滤波 SLAM

早期常见方法，包括 EKF-SLAM、FastSLAM 等。

特点：

以概率滤波方式递推状态。
适合理解 SLAM 基础。
在大规模环境里状态维度和计算压力会变大。

图优化 SLAM

现代 SLAM 常用思路，把位姿和约束表示成图，再做非线性优化。

1
2
3

节点：机器人位姿、地图点
边：里程计约束、观测约束、回环约束、IMU 约束
目标：让所有约束误差整体最小

优点：

更适合大规模场景。
能自然加入回环。
可以融合多传感器约束。

视觉 SLAM

视觉 SLAM 主要依赖图像。

常见路线：

路线	思路
特征点法	提取 ORB、SIFT、SURF 等特征，再匹配跟踪
直接法	直接利用像素灰度误差估计运动
半直接法	结合特征和直接法思想

典型问题：

光照变化导致匹配失败。
白墙、玻璃、纯色地面缺少纹理。
快速运动造成模糊。
单目相机尺度不确定。
动态物体干扰特征匹配。

常见处理：

增加 IMU。
使用双目或 RGB-D。
提高快门速度和图像质量。
剔除动态区域。
做回环检测和重定位。

激光 SLAM

激光 SLAM 依赖 LiDAR 扫描。

常见路线：

2D 激光 + 栅格地图。
3D LiDAR + 点云匹配。
LiDAR + IMU 融合。

常见算法模块：

模块	作用
Scan Matching	当前扫描和地图匹配
ICP	点云配准
NDT	点云概率栅格匹配
Deskew	消除运动畸变
Loop Closure	闭环修正

常见问题：

长走廊退化，几何约束不足。
玻璃、雨雾、反光物体导致异常点。
运动太快，点云畸变严重。
IMU 外参或时间同步不准。

VIO 视觉惯性里程计

VIO 使用相机和 IMU 融合估计运动。

优势：

比纯视觉更抗快速运动。
IMU 可以补充短时间图像跟踪失败。
适合无人机、AR、手持设备。

难点：

相机和 IMU 时间同步。
外参标定。
IMU 噪声建模。
初始化尺度、重力方向和偏置。

回环检测为什么重要

只靠前端里程计，误差会一直积累。回环检测用于识别“我又回到了曾经来过的地方”。

1	发现回环 -> 添加回环约束 -> 后端优化 -> 修正整条轨迹

没有回环时，地图可能越来越歪；有错误回环时，地图可能被拉坏。所以回环检测既要召回，也要防误匹配。

地图表示

地图	用途
稀疏点云	定位、回环、视觉地图
稠密点云	重建、测绘、三维展示
栅格地图	2D 导航、避障
OctoMap	3D 占据地图
TSDF/ESDF	三维重建和路径规划
语义地图	带物体类别和场景理解

不是地图越密越好。导航常用栅格地图，视觉定位可能只需要稀疏地图。

常见问题

SLAM 和导航是什么关系

SLAM 负责定位和建图，导航负责根据地图规划路径并控制机器人移动。导航依赖定位，但 SLAM 不等于完整导航系统。

单目 SLAM 为什么有尺度问题

单目相机只看到二维图像，无法直接知道真实距离。没有额外信息时，只能得到相对尺度。可以通过双目、RGB-D、IMU、已知物体尺寸或高度约束补尺度。

为什么机器人走久了地图会歪

前端里程计有误差，每一帧叠加一点，时间长了就会漂移。需要后端优化、回环检测、传感器融合来修正。

为什么特征点突然丢失

常见原因：

画面模糊。
光照突变。
纹理太少。
物体快速移动。
相机曝光不稳定。

处理：

降低运动速度。
提高图像质量。
使用更合适的相机。
融合 IMU。

激光 SLAM 在长走廊里为什么不稳

长走廊几何结构重复，横向约束不足，匹配容易退化。可以融合 IMU、轮速计、视觉，或增加人工标志物、优化环境特征。

SLAM 一定要 ROS 吗

不一定。ROS 方便传感器接入、消息通信、可视化和算法集成，但 SLAM 算法本身可以脱离 ROS 运行。学习和机器人项目中，ROS 2 会让工程组织更方便。

学习路线

先理解坐标系、旋转、平移、矩阵、四元数。
学 OpenCV 基础，理解相机模型和特征匹配。
学非线性优化，理解图优化思想。
跑通一个开源视觉 SLAM 或激光 SLAM 示例。
学 ROS 2、TF、rosbag、RViz。
再进入 VIO、LiDAR-Inertial、多传感器融合。

工程排查清单

传感器时间戳是否准确。
相机内参是否标定。
相机和 IMU、LiDAR 外参是否正确。
坐标系方向是否统一。
rosbag 数据是否丢帧。
运动速度是否超过算法承受范围。
环境纹理或几何特征是否足够。
回环是否误匹配。
CPU/GPU 性能是否足够实时运行。

常见开源方向

ORB-SLAM 系列：经典视觉 SLAM。
VINS 系列：视觉惯性方向。
Cartographer：2D/3D 激光 SLAM。
LOAM 系列：激光里程计和建图。
LIO-SAM：LiDAR、IMU、因子图融合方向。

学习时不要一开始就追求“最强算法”，先跑通数据、理解坐标系、看懂前端和后端各自做什么。