1. SLAM概述：SLAM的定义、发展历史、应用领域
各位同学好，我是这门课的主讲。今天咱们来聊聊SLAM——这个在机器人、AR/VR和自动驾驶领域都绕不开的核心技术。
先说说我自己的经历。十年前我刚入行做机器人导航时，遇到一个很头疼的问题：机器人在陌生环境里走着走着就不知道自己到哪了。那时候我就在想，要是能让机器人一边走一边画地图，同时还能知道自己在地图上的位置，那该多好。后来我才知道，这其实就是SLAM要解决的核心问题。
1.1 SLAM的定义
SLAM的全称是Simultaneous Localization and Mapping，中文叫「同步定位与地图构建」。说白了，就是让一个移动的智能体在未知环境中，同时完成两件事：
- 定位：知道自己当前在哪儿
- 建图：把周围的环境画成地图
你想想看，这其实是个「鸡生蛋蛋生鸡」的问题。要定位准确，你得先有地图；要建好地图，你又得知道自己的位置。SLAM就是把这个循环给解开了。
核心思想：SLAM通过传感器数据（比如摄像头、激光雷达），在运动过程中不断估计自身位姿，同时增量式地构建环境地图。两者相互依赖、相互促进。
我个人习惯把SLAM比作「盲人摸象」——只不过这个盲人一边摸一边走，还要记住大象的形状。嗯，这个比喻可能不太严谨，但意思到了。
1.2 发展历史
SLAM的发展史，我把它分成三个阶段来讲。
| 阶段 | 时间 | 标志性事件 | 我的评价 |
|---|---|---|---|
| 萌芽期 | 1986-2000 | Smith等人提出概率SLAM框架 | 理论奠基，但算力跟不上 |
| 发展期 | 2000-2010 | EKF-SLAM、FastSLAM、GraphSLAM | 算法百花齐放，我开始接触这个领域 |
| 成熟期 | 2010至今 | ORB-SLAM、LSD-SLAM、VINS-Mono | 视觉SLAM大爆发，开源生态完善 |
我记得2007年刚接触SLAM时，用的还是EKF-SLAM。那时候跑一个简单的室内场景，计算量就大得吓人。现在回想起来，真是感慨技术进步之快。
避坑指南：我曾经在项目里盲目追求最新的SLAM算法，结果发现稳定性还不如经典的ORB-SLAM2。后来我学乖了——选算法要看场景，不是越新越好。
1.3 应用领域
SLAM的应用场景，我归纳为三大块：机器人、AR/VR、自动驾驶。每个领域对SLAM的要求都不太一样。
机器人领域
这是SLAM最传统的应用场景。扫地机器人、仓储AGV、服务机器人，都离不开SLAM。
- 室内导航：机器人需要知道自己在房间里的位置
- 环境探索：未知区域自动建图
- 避障规划：基于地图做路径规划
我在做仓储机器人项目时，遇到过一个问题：仓库里货架经常变动，地图需要频繁更新。这时候用传统的静态SLAM就不行了，得用动态环境下的SLAM方案。
AR/VR领域
AR/VR对SLAM的要求很苛刻——不仅要准，还要快，延迟一高就头晕。
- 空间定位：手机或头显在空间中的6DoF位姿
- 平面检测：识别桌面、地面等平面，用于放置虚拟物体
- 光照鲁棒性：室内外光照变化大，SLAM要扛得住
你想想看，玩AR游戏时虚拟物体要「粘」在现实场景中，这背后就是SLAM在实时工作。我测试过一些AR应用，SLAM一掉帧，虚拟物体就开始「漂移」，体验感瞬间崩塌。
自动驾驶领域
自动驾驶对SLAM的要求是最高的——安全第一，容不得半点差错。
- 高精地图构建：厘米级的地图精度
- 多传感器融合：摄像头+激光雷达+IMU+GPS
- 长距离闭环检测：行驶几公里后能识别出之前到过的地方
注意：自动驾驶场景下，SLAM的失效可能导致严重后果。我曾经参与过一个测试，车辆在隧道里GPS信号丢失，纯视觉SLAM又因为光照不足而失效，最后只能靠IMU硬撑。所以多传感器冗余设计非常重要。
1.4 知识体系总览
下面这张图是我自己画的SLAM知识体系框架，涵盖了本章的核心内容。你可以把它当作整个课程的地图。
这张图展示了SLAM的完整链路：传感器采集数据 → 状态估计（定位）→ 地图表示（建图）→ 应用落地。我们这门课会按照这个框架逐步展开。
学习建议：我个人建议初学者先理解「状态估计」这一块，这是SLAM的数学核心。地图表示部分可以放到后面，因为不同应用对地图的需求差异很大。
好了，第一章的内容就到这里。SLAM的定义、发展史和应用场景，咱们都过了一遍。下一章我会深入讲传感器模型和数据处理，那是SLAM的「眼睛」部分。
公众号:蓝海资料掘金营，微信deep3321