从「扫地机」到「自动驾驶」——SLAM 三十年到底在解决什么问题?

大家好，我是灵造哥。

你有没有好奇过：一台扫地机器人，从来没有这个房间的图纸，转了一圈之后，怎么就画出了一张规规矩矩的地图？

你有没有想过：送餐机器人端着几碗面在人堆里穿行，没有 GPS、没有轨道，它怎么知道自己到了哪张桌子前？

再或者——你的无人机在 GPS 信号不好的林子里飞着飞着，为什么不会迷路？

这两件事，背后都是同一个问题的不同变种——SLAM（Simultaneous Localization and Mapping，同时定位与建图）。

SLAM 是机器人学的「圣杯」问题之一。从 1980 年代 Smith、Self 和 Cheeseman 首次用统计学框架描述它（Smith & Cheeseman, 1986; Smith et al., 1990），到 2026 年的今天 3D Gaussian Splatting 开始重构整个 pipeline，这条路走了整整四十年。

这一篇，我们先把这个问题的全景地图铺开——后面几篇的每一刀，都会落在这张地图的某个坐标上。

SLAM 要回答的三个问题

一个机器人在未知环境中运动，它需要知道三件事：

1. 1. 「我在哪？」——位姿估计（Localization）
2. 2. 「周围长啥样？」——地图构建（Mapping）
3. 3. 「我来过这吗？」——回环检测（Loop Closure）

这三个问题交织在一起，形成了一个经典的「先有鸡还是先有蛋」的循环：

• • 要想知道自己在哪，需要知道地图——但地图是未知的
• • 要想建地图，需要知道自己在哪——但位姿是未知的

SLAM 的回答是：同时估计。 一边猜位姿，一边建地图，互相支撑，迭代收敛。

用数学语言说，SLAM 要估计的是这个联合后验概率：

其中 x 是机器人位姿，m 是地图，z 是观测（激光/相机），u 是控制输入（里程计/IMU）。

四十年来的所有 SLAM 算法，本质上都是在问：这个联合分布怎么拆、怎么算、怎么近似？

系统骨架：一个标准 SLAM 的拼图

不管你用什么方法，一个完整的 SLAM 系统通常包含这几个模块：

传感器 → 前端（帧间匹配）→ 后端（优化） → 建图
                              ↑
                          回环检测

前端（Front-end / Visual Odometry）：
从连续传感器帧之间估计相对运动。这个模块的输出是一个个「相对位姿约束」。

• • 激光 SLAM 用 ICP（Iterative Closest Point）或其变体匹配两帧点云
• • 视觉 SLAM 用特征匹配（ORB、SuperPoint）或直接法（像素亮度误差）

后端（Back-end / Optimization）：
把前端积累的约束和回环约束丢进一个大的优化问题里，统一调整所有位姿和路标点。

• • 滤波流派用卡尔曼滤波递推更新
• • 图优化流派用 Bundle Adjustment（BA）或 Pose Graph Optimization

回环检测（Loop Closure）：
当机器人绕了一圈回到之前的位置时，能不能认出来？这是消除累积漂移的关键。

• • 视觉 SLAM 常用 DBoW2（视觉词袋模型）
• • 激光 SLAM 常用 scan-to-map 匹配的相似度评分

建图（Mapping）：
把估计的位姿和传感器观测融合成一张全局一致的地图。

• • 栅格地图（Grid Map）：每个格子存占据概率
• • 点云地图（Point Cloud Map）：三维空间中的点集
• • 隐式地图（NeRF / 3D Gaussian）：神经网络或高斯球体表示

四个流派：一条主线

SLAM 的四十年可以粗暴地分成四条路线：

看起来是四个流派，其实有一条主线：

从「稀疏 + 几何」走向「密集 + 语义」，从「手工特征」走向「可微分表示」。

1990 年代的 EKF-SLAM 只能构建稀疏路标点——你看一张算法运行时的截图，就是几个稀疏的点加一条轨迹线，跟夜空中的星星一样稀疏。

2024 年的 Gaussian Splatting SLAM 能构建 dense 3D 高斯场——你看到的不再是点，而是能渲染出新视角视频的完整场景表示。

跨度之大，令人咋舌。

为什么要理解古典算法？

你可能要问：既然后现代 SLAM 已经这么强了，为什么还要学 ICP、GMapping、ESKF 这些「老古董」？

我的回答是：

1. 1. 它们是原子操作。 ICP 的最近邻匹配 + SVD 解算，在后现代 SLAM 的可微分渲染框架里以同样的逻辑存在。GMapping 的 Rao-Blackwellization，和因子图中的条件独立性是同一套概率图思维。ESKF 的名义/误差状态分离，在 MSCKF 和 LIO-SAM 中直接继承。
2. 2. 工业界仍然在用。 扫地机里跑的是 GMapping 的变体，组合导航里跑的是 ESKF，激光雷达的帧间匹配仍然是 GICP。最前沿不代表最实用。
3. 3. 理解它们的工作原理，你才能理解现代系统为什么这样设计。 如果你不明白粒子滤波的退化问题，你就不会理解为什么 ORB-SLAM 要用局部 BA + 全局 BA 的分层策略。

所以这个系列的结构是：

• • 古典三剑客（ICP、GMapping、ESKF），每篇都配合可运行的 Python 代码讲解算法原理
• • 主流开源 SLAM 系统的横向对比（LOAM、ORB-SLAM3、VINS-Mono 等）
• • 后现代 SLAM 的前沿（NeRF-SLAM、3D Gaussian Splatting SLAM）

从地基到天花板，一条线走完。

关于代码示例

代码部分的目的是展示算法的最简骨架——去掉工程优化、边界处理、硬件适配，保留核心逻辑，对于理解核心的算法是没有问题的，实际的工程落地更多都是使用 C++ 实现和相关的算法库。后续代码也会整理出来。感兴趣的小伙伴欢迎后台留言。

准备好了吗？

下一篇，我们从 SLAM 前端最基础、最经典的操作开始——ICP 点云配准。

灵造哥出品｜聚焦机器人 × 嵌入式
关注公众号：灵造哥