第 3 章 · 具身感知(二)：SLAM 与空间环境理解
文档摘要
第 3 章 · 具身感知(二)：SLAM 与空间环境理解 知道「看见什么」还不够，机器人还得知道「自己在哪、周围有什么、怎么走过去」。SLAM 是机器人建立空间记忆的核心技术，是把感知转化为行动的前提。 章节摘要 机器人要在未知环境中行动，必须同时解决两个问题：「我在哪里」（定位）和「周围长什么样」（建图）。这两个问题相互依赖——不知道位置就没法建图，没有地图也没法定位——这就是 SLAM（Simultaneous Localization and Mapping，即时定位与地图构建） 问题。本章从概率状态估计与因子图出发，讲清 SLAM 的数学框架与前端-后端-回环三段式架构；对比视觉 SLAM（ORB-SLAM、VINS）与激光 SLAM（LOAM、LIO-SAM）的流派差异；
第 3 章 · 具身感知(二)：SLAM 与空间环境理解
知道「看见什么」还不够，机器人还得知道「自己在哪、周围有什么、怎么走过去」。SLAM 是机器人建立空间记忆的核心技术，是把感知转化为行动的前提。
章节摘要
机器人要在未知环境中行动，必须同时解决两个问题：「我在哪里」（定位）和「周围长什么样」（建图）。这两个问题相互依赖——不知道位置就没法建图，没有地图也没法定位——这就是 SLAM（Simultaneous Localization and Mapping，即时定位与地图构建） 问题。本章从概率状态估计与因子图出发，讲清 SLAM 的数学框架与前端-后端-回环三段式架构；对比视觉 SLAM（ORB-SLAM、VINS）与激光 SLAM（LOAM、LIO-SAM）的流派差异；延伸到语义 SLAM 与开放词汇 3D 场景理解，让机器人不仅能建几何地图，还能理解「这是杯子、那是桌子」；最后讨论长程自主中的地图持久化、重定位与生命周期管理。本章是机器人导航与操作的空间基础。
学习目标
读完本章，你应当能够：
- 用概率图模型表述 SLAM 问题，解释贝叶斯滤波、EKF、因子图的关系。
- 画出 SLAM 系统的「前端-后端-回环」三段式架构。
- 辨析视觉 SLAM 与激光 SLAM 的代表方法（ORB-SLAM、VINS、LOAM、LIO-SAM）。
- 说明语义 SLAM 与开放词汇场景图如何扩展传统几何 SLAM。
- 理解长程自主中地图持久化、重定位、生命周期管理的工程难题。
子章节安排与导引
| 编号 | 子章节 | 核心问题 | 关联后续 |
|---|---|---|---|
| 01 | SLAM 问题表述：状态估计与概率图模型 | SLAM 的数学本质是什么？ | 全章基础 |
| 02 | 视觉 SLAM 与激光 SLAM：主流流派对比 | 业界都用什么方法？怎么选？ | 第 7 章仿真 |
| 03 | 语义 SLAM 与开放词汇场景理解 | 怎么让地图「有含义」？ | 第 4 章 VLM、第 8 章系统 |
| 04 | 长程自主与环境表征：地图、记忆与重定位 | 长时间怎么维护地图？ | 第 8 章落地 |
四节构成「数学框架 → 工程实现 → 语义增强 → 长程运维」的递进。第 01 节是骨架，第 02 节是肌肉，第 03-04 节是当前前沿与工程难点。
配图说明
- Mermaid「SLAM 因子图与前端-后端-回环流程」：在第 01 节给出，展示 SLAM 系统的完整数据流。
- SVG「位姿图与回环闭合示意」：在第 01 节给出，展示漂移与回环修正。
- Mermaid「视觉 SLAM vs 激光 SLAM 流派树」：在第 02 节给出。
SEO 关键词
SLAM、即时定位与地图构建、视觉 SLAM、激光 SLAM、因子图优化、贝叶斯滤波、EKF、ORB-SLAM、VINS-Fusion、LOAM、LIO-SAM、语义 SLAM、3D 场景图、回环检测、重定位、NeRF SLAM。
章节关联
- 前置：第 2 章已建立视觉与多模态感知基础，SLAM 主要消费视觉与激光雷达数据。
- 后续：第 4 章 VLM 让机器人理解场景语义，本章的语义 SLAM 是其空间载体；第 7 章仿真平台大量使用 SLAM 建图作为资产生成；第 8 章人形机器人的全局导航依赖 SLAM。