从自动驾驶到机器人导航:SLAM技术迁移的3个关键差异

我们是做自动驾驶导航出身的，现在团队专注自动驾驶与具身智能技术落地，面向无人车、机器狗、机器人场景做全栈定制——硬件架构、算法功能、系统部署都在做。换句话说，我们就是正在做"自动驾驶→机器人"迁移的团队，而且是动手做的那种。

正因为动手做了，才知道"迁移"两个字掩盖了多少真实的坑。自动驾驶的算法框架可以复用，但支撑这套框架的三个前提条件——速度域、传感器配置、场景复杂度——全都变了。这篇我把其中最关键的3个差异讲清楚，每一个都是我们踩过坑之后才真正理解的。不讲虚的，讲机制。

差异1：速度域——为什么低速比高速更难

先说一个反直觉的判断：从高速SLAM迁到低速SLAM，难度不是下降，是换了方向。

所有人的直觉都是"高速120km/h，反应窗口以百毫秒计，当然更难；机器人2m/s慢慢爬，能难到哪去"。这个直觉错在哪？错在把"控制难"等同于"定位难"。高速难的是实时性，低速难的是长时间的稳定性——而SLAM恰恰是个长跑项目。

真相一：高速SLAM的三大支柱，在低速下全部松动。

高速时，车辆运动强符合匀速/匀加速模型，IMU信号清晰、积分可靠；轮式里程计的误差被速度"稀释"——每秒前进30米，1%的里程误差摊到路径上几乎可以忽略。运动模型占主导，更关键的是有sd-map和RTK两个强大辅助，等于给SLAM喂了一个高质量的先验，帧间匹配只需要做微调。

低速时这套全反过来。加速度小，IMU信号淹没在噪声里，积分出来的是漂移不是位移；轮式里程计在低速下打滑、空转的相对误差占比更大（更别提很多机器人压根就没有轮子）。运动模型从"可靠先验"退化成"噪声源"，帧间匹配失去了拐杖，只能靠传感器特征硬扛。

真相二：高速道路的"结构化"，是SLAM的天然外挂。

高速公路有什么？车道线、护栏、交通标志、路灯杆、桥梁护栏——特征密度高、分布稳定、长年不变。SLAM的特征匹配有源源不断的锚点，想漂都难。

室外低速场景呢？空旷园区一圈围墙，特征全在几十米外；长走廊两侧全是墙，几何特征高度重复，沿走廊方向没有任何约束——这在SLAM里叫"退化方向"，机器人往走廊深处走100米，横向定位很稳，纵向位置全靠猜。矿山隧道、地下管廊、数据中心过道，全是这个问题的重灾区，而且这些场景GPS天然拒止，连兜底的都没有。

我们处理过的隧道场景，有时候跑数百米后纵向漂移能到好几米——不是算法写得差，是几何上就没有信息。这时候靠的不是"更好的SLAM"，而是先验地图、多传感器约束这些体系化的手段。

真相三：高速的时间窗口短，低速的时间窗口以小时计。

高速点到点一般数十分钟，SLAM的累积误差还没长起来就到终点了，更别提还有sd map和RTK这两个强先验。

低速呢？巡检机器人一个班次跑8小时，环卫车整晚不停。中间没有回环机会——误差就这么一直积着。跑8小时的累积漂移怎么管，封闭场景没有sd map和RTK两个重要先验怎么办，才是低速SLAM真正的难题，也是这个赛道上拉开差距的地方。

高速和低速的差异，一张表看全：

迁移关键：不能照搬高速SLAM，整个融合导航定位系统要针对低速重新设计，闭环检测要换策略，还要新增"长时间漂移管理"这个高速场景根本不存在的课题。

差异2：硬件配置——便宜了30倍，场景复杂度一分没降

第二个差异，账最好算，也最扎心。

自动驾驶那套传感器配置是行业标杆：128线激光雷达1-2个，单颗3-8万；高清摄像头8-12个；毫米波雷达3-5个。一套下来10-30万。这套配置的逻辑是用钱换信息冗余——单个传感器足够好，多个传感器互为备份。

机器人呢？整机售价摆在那，传感器预算被压到极限：16线/32线激光雷达1个，1800-5000块；摄像头2-4个；毫米波雷达1-2个还得看预算。一套3000到1万。

这还仅仅是传感器的配置差异，控制器的差距也是惊人，车企智驾旗舰车型常以双orin甚至Thor或者同等量级的soc做标配，在不起量的前提下，光控制器的价格就抵得上大半个机器人了。

传感器便宜了10-30倍，场景复杂度降了吗？没有。上一节刚说完，低速场景的特征更稀疏、运行时间更长。这就是整个迁移里最核心的矛盾：硬件信息量断崖式下降，任务难度不降反升，中间的缺口只能用算法填。

具体到每个传感器的硬伤：

• 16线激光雷达：垂直方向就16条扫描线，对低矮障碍物、远处地面的点云稀疏到没法用；和128线比，信息量差了一个量级；
• 摄像头：白天是好东西，夜间直接失效，逆光、炫光全是坑；
• 毫米波雷达：全天候工作、测速准，但角分辨率低，分不清前方是行人还是电线杆。

单看每一个都不够格，怎么办？融合。但这里有个思维必须换：高速时代讲"冗余"，低成本时代只能讲"互补"。

冗余思维是"激光坏了摄像头顶上"——前提是每个传感器单独都够好。互补思维是"谁都别想单干"：激光雷达给精确距离和空间结构，视觉给语义信息和特征密度，毫米波给全天候兜底——三个各自残缺的信息源，在算法层拼成一个完整的感知。

还有一个工程上的关键选择：前融合还是后融合。后融合是传统做法——每个传感器独立跑检测，结果级再融合。这在传感器本身很强的前提下没问题，但低成本传感器单独跑出来的"结果"已经丢掉了大量信息，融的是残羹剩饭。前融合是在数据级就把多传感器信息合起来（BEV特征空间、占据栅格这些路线），信息保留完整，单个传感器的短板可以被另一个的原始数据实时补偿。

我们的结论很直接：低成本传感器必须走前融合。不是因为先进，是因为没得选——单个传感器的信息量根本不够独立成事。

传感器便宜了30倍，融合算法就成了核心竞争力。对中小厂商来说，这既是坏消息（算法门槛变高了），也是好消息——这是你们真正能建立壁垒的地方，硬件谁都能买，融合算法买不来。

迁移关键：从"多传感器冗余"切换到"多传感器互补"，算法的职责从"用好信息"变成"补足信息"。

差异3：场景复杂度——从规则道路到动态混沌

第三个差异最隐蔽，也最劝退人。

高速自动驾驶的场景是被规则驯化过的：车道、护栏、标线，连"哪里能开"都是物理画好的；动态参与者是车辆和行人，行为高度可预测——前车要么变道要么不变道，行人不该出现在高速上；天气上还有运营边界兜底，暴雨大雾直接停运，L4公司管这个叫ODD，出了边界就不承担责任。

室外低速机器人，这三条防线一条都没有。

场景是非结构化的——园区、矿山、管廊、背街小巷，没有车道概念，可通行区域靠感知实时判断；参与者不可预测——醉酒行人、流浪动物、逆行电动车、随时出现的违停车辆；天气上没有退路——环卫车雨天恰恰是主力作业时间（雨后路面垃圾最多），巡检机器人7×24不能停。

这个落差里藏着两个行业级的未解难题，讲清楚它们，你就知道这个赛道的水有多深。

难题一：雨雾天鲁棒SLAM。

雨天，激光雷达的点云会被雨滴散射出一堆"鬼影点"，噪点密集到能把真实障碍物淹没；雾天，视觉特征因对比度下降大量丢失，特征匹配直接失败。目前行业里没有成熟的雨雾天SLAM方案——这不是哪家公司偷懒，是全行业的空白。

之前写验收清单那篇（导航方案验收的9个必查项）时，我特意没把雨天性能列进通用必查项，就是这个原因：不是不重要，是不存在行业共识的标准。谁敢承诺"雨天定位精度衰减<30%"，谁先站出来，这条现在是稀缺能力，不是及格线。

难题二：动态混沌环境的行为决策。

窄通道里机器人迎面遇到行人，谁让行？让，对方也让，两边僵住（deadlock）；不让，出了事故就是灾难。夜间环卫遇到醉酒行人，他的运动轨迹没有模型可预测。这些博弈问题在高速场景里根本不存在——车道把博弈空间物理约束死了，规划器在固定走廊里做选择就行。

高速的behavior model迁过来完全不适用。低速场景的行为决策，得从场景规律里一条条重新积累：什么样的行人大概率会绕开你、什么情况下该主动退让、什么情况该停下等。

迁移关键：算法框架可以复用——SLAM框架、规划框架，开源的现成的都有；但场景知识没法复用。雨天点云长什么样、背街小巷的动态规律是什么，这些东西只能在实际场景里一天天泡出来，没有捷径。场景适配比算法迁移更难，难就难在这。

迁移的关键总结

三个差异，对应三种能力，缺一不可：

1. 算法迁移：高速SLAM→低速SLAM，运动模型重设计、闭环策略重做、漂移管理新增；
2. 传感器简化：从豪华配置到低成本组合，融合算法从"锦上添花"变成"雪中送炭"；
3. 场景适配：从规则道路到动态混沌，场景知识从零积累。

最后说一个判断：能做自动驾驶导航的人很多，能完成这个迁移的人很少。因为迁移不是"技术碾压"，是"重新学习"——框架不值钱，值钱的是那三个差异背后的重新理解。带着"碾压"心态进场的人，大概率会在长走廊的漂移、雨天的鬼影点云和深夜的醉酒行人面前，把自信碎一地。

我们正在做这个迁移，踩了很多坑，也找到了一些解法——长走廊的先验约束、低成本传感器的前融合、雨天场景的降级策略，后面会陆续写出来。如果你也在做类似的事情，欢迎交流。

关于导航和感知怎么协同设计——尤其是低成本传感器前融合的具体做法——我会在后续文章里单独展开。

天宇团队介绍：

专注自动驾驶与具身智能技术落地。面向无人车/机器狗/机器人场景，提供硬件架构、算法功能、系统部署的全栈定制服务——帮客户把场景需求工程化，把工程成果产品化。

相关需求联系：