什么是SLAM？

同步定位与建图（SLAM）是一种应用于机器人和自主系统的技术，它使机器能够在未知或不断变化的环境中进行导航。

“同步”这一特性至关重要：SLAM 使设备能够在确定自身位置的同时，构建并更新周围环境的地图。由于定位与建图相互依赖，SLAM 面临着一个“先有鸡还是先有蛋”的问题。 系统通过连续估计来解决这一问题——在此过程中，系统会将其最新的传感器观测数据与不断更新的地图进行比对，从而同时优化位置和对环境的理解。

随着时间的推移，里程计中的误差（即漂移）会逐渐累积。为解决这一问题，SLAM系统采用了诸如闭环检测等机制，使其能够识别先前经过的位置，并纠正累积的误差，从而提高全局一致性。

SLAM 的实现方式多种多样，具体取决于传感器和应用场景，包括基于激光雷达的 SLAM、视觉 SLAM（vSLAM）以及混合方法。 传感器选择和系统设计至关重要，因为在特征稀少的环境、高度动态的场景，或者不同位置在视觉上看起来相似的情况下（这一挑战被称为感知混叠），系统性能可能会下降。

传感器融合

为了达到最佳效果，SLAM系统依赖于多个传感器的输入，而非单一输入源。vSLAM利用环视摄像头来检测和识别物体，例如交通信号灯和路标。雷达在多尘环境和低光条件下仍能有效进行检测，并能追踪物体运动和距离。 每种感知方式各有优缺点，但结合使用能对环境提供更全面、更可靠的认知。

将这些输入结合起来，称为传感器融合，有助于提高感知精度，并在减轻单一传感器局限性的同时保持系统性能。例如，安波福PULSE™传感器 将摄像头与雷达相结合，有助于支持SLAM技术的车辆和机器人在各种环境中实现精准导航。

SLAM 对于汽车和机器人领域都至关重要

SLAM 在需要于陌生、多变或难以建图的环境中运行的各类系统中发挥着重要作用。在汽车行业，SLAM 通常被集成到ADAS 以及其他形式的感知和建图。使用SLAM可实现反应更灵敏、更像人类的行为，从而使系统能够根据情况的变化进行适应，而不是仅依赖预先定义的地图或指令。

由于系统在复杂的运行设计域中运行，对精确、实时定位的需求变得愈发关键。更高级别的自动驾驶需要对环境有更精准的理解，这使得SLAM成为先进系统的一项基础能力。

对于现代自主移动机器人（AMR）, SLAM 是基础性的，而非可选的。SLAM 为 AMR 提供了自主能力，使其能够在陌生环境中独立运行。例如，在仓库中，AMR 可以先通过传感器检测墙壁、货架和其他特征来构建地图并进行定位。然后，另一个模块可以利用这些信息进行路径规划。

与前几代机器人所使用的系统相比，SLAM 技术有了巨大的进步。例如，第一代扫地机器人依赖于碰撞检测，利用接近传感器或接触开关在机器人距离障碍物非常近或已经接触到障碍物时进行探测。那些机器人几乎没有环境感知能力；它们会一直移动，直到撞到某个物体为止。

近几十年来，随着传感器和计算能力的提升，SLAM技术已从理论阶段发展为实际应用。这在自主领域取得了重大突破，实现了更精确的位置定位和地图构建，从而能够预判障碍物并避开它们，避免发生物理接触。此外，它还使机器人与其周围环境之间的交互更加安全，并能适应人类同事在场的情况。