一、SLAM概述：从零开始理解这项技术
大家好，我是你们这门课的主讲。在机器人行业摸爬滚打了快十年，我见过太多人一上来就啃SLAM论文，结果被各种数学公式劝退。其实，SLAM没那么神秘。
说白了，SLAM就是让机器人一边走路一边画地图，同时还得知道自己走到哪了。你想想看，这像不像一个人蒙着眼睛走进一个陌生房间？你得一边摸墙探路，一边在脑子里构建房间的布局，还得记住自己走了几步——这就是SLAM要干的事。
1.1 什么是SLAM？
SLAM的全称是Simultaneous Localization and Mapping，中文叫「同步定位与地图构建」。名字很长，但核心就两件事：
- 定位：机器人当前在哪儿？
- 建图：周围环境长什么样？
这两件事是互相依赖的。要定位，你得有地图；要建图，你得知道自己的位置。这就成了个「先有鸡还是先有蛋」的问题。SLAM算法就是专门解决这个循环依赖的。
核心思想：SLAM利用传感器数据（激光雷达、相机等），在未知环境中同时估计机器人自身的位姿和周围环境的地图。它不需要任何外部辅助（比如GPS、二维码），完全靠自身完成。
我记得刚入行时，带我的老工程师说过一句话：「SLAM做得好，机器人就是个靠谱的伙伴；做不好，它就是台乱撞的吸尘器。」这话糙理不糙。
1.2 SLAM的发展历程
SLAM这个概念最早可以追溯到1986年。那时候，一群搞机器人和计算机视觉的科学家在旧金山开了个会，大家发现：定位和建图其实是一回事。嗯，这个发现改变了整个行业。
我大致把SLAM的发展分成三个阶段：
| 阶段 | 时间 | 特点 | 代表方法 |
|---|---|---|---|
| 古典时代 | 1986-2004 | 基于概率论，计算量巨大 | EKF-SLAM、FastSLAM |
| 算法分析时代 | 2004-2015 | 稀疏性、一致性、可观测性研究 | GraphSLAM、iSAM |
| 鲁棒感知时代 | 2015-至今 | 深度学习加持，大规模场景 | ORB-SLAM、LOAM、Cartographer |
古典时代，大家用扩展卡尔曼滤波（EKF）做SLAM。说实话，那时候的算法只能处理几十个路标点，跑起来慢得让人抓狂。我在实验室复现过EKF-SLAM，一个简单的走廊场景，跑了半小时才收敛——放到现在，谁敢用？
到了算法分析时代，大家开始用图优化的思路。这个转变很关键。你想想看，把机器人的位姿和观测都当成节点，把约束当成边，整个SLAM问题就变成了一个图优化问题。这个方法更直观，也更高效。
2015年以后，深度学习火了，SLAM也跟着沾光。比如用深度学习做特征提取、回环检测，效果比传统方法好不少。不过我个人觉得，纯视觉SLAM在光照变化大的场景下还是不太靠谱，这也是为什么很多工业场景坚持用激光雷达。
1.3 激光SLAM vs 视觉SLAM
这是新手最常问的问题：「到底该学激光SLAM还是视觉SLAM？」我的回答是：看场景。
先看一张对比表：
| 对比维度 | 激光SLAM | 视觉SLAM |
|---|---|---|
| 传感器 | 激光雷达（2D/3D） | 单目/双目/深度相机 |
| 精度 | 高（厘米级） | 中（分米级） |
| 环境依赖 | 依赖几何结构 | 依赖纹理特征 |
| 光照影响 | 无影响 | 影响大 |
| 动态物体 | 较鲁棒 | 易受干扰 |
| 成本 | 高 | 低 |
| 地图形式 | 栅格/点云 | 稀疏/半稠密点云 |
我在项目中遇到过这样一个案例：一个仓储机器人项目，仓库里全是货架，光照很差，而且货架表面是纯白色的，没什么纹理。如果用视觉SLAM，特征点根本提取不出来，跑几步就丢了。最后我们用了2D激光SLAM，配合反光柱做辅助定位，效果非常稳定。
我的建议：如果你做室内移动机器人（扫地机、AGV），优先考虑激光SLAM。如果你做AR/VR、无人机，或者成本敏感的项目，视觉SLAM更合适。当然，现在很多方案是激光+视觉融合，取长补短。
另外，视觉SLAM有个天然优势：你可以从图像中提取语义信息。比如识别出门、桌子、人等物体。激光雷达只能告诉你「这里有障碍物」，但相机能告诉你「这是一把椅子」。这在人机交互场景下特别有用。
1.4 SLAM的应用场景
SLAM的应用比你想象的广泛得多。我随便列几个：
- 扫地机器人：这是SLAM最成功的商业化应用。你家的扫地机能在屋里跑来跑去不撞墙，靠的就是SLAM。
- 自动驾驶：虽然自动驾驶主要靠高精地图+GPS，但在隧道、地下车库等GPS失效的场景，SLAM是保底方案。
- AR/VR：苹果的ARKit、谷歌的ARCore，底层都用了VIO（视觉惯性里程计），本质上是SLAM的变种。
- 无人机：室内无人机没有GPS，全靠SLAM定位和避障。
- 机器人导航：工厂里的AGV、医院的配送机器人，都需要SLAM来构建环境地图。
避坑指南：我曾经在一个项目中，客户要求机器人在大型商场里做导航。商场环境有个特点：人流量大，而且很多玻璃幕墙。激光雷达打到玻璃上会直接穿透，导致建图出现空洞。后来我们不得不加装超声波传感器来弥补。所以，选传感器一定要考虑实际环境。
还有一个场景很多人没注意到：数字孪生。用SLAM扫描真实环境，生成3D模型，然后放到虚拟世界里做仿真。这在工业4.0里越来越流行。
好了，第一章就讲到这里。SLAM这个概念本身不难，难的是把它落地到实际项目中。后面的章节，我会带着大家一步步搭建自己的SLAM系统。从传感器选型、数据预处理，到前端里程计、后端优化，再到回环检测和地图构建，咱们一个一个啃下来。
下一章，我们来聊聊激光雷达的工作原理和选型。这东西看着简单，里面的门道可不少。