3.2 视觉 SLAM 与激光 SLAM：主流流派对比

3.2 视觉 SLAM 与激光 SLAM：主流流派对比

数学框架统一，但传感器不同，工程实现天差地别。视觉 SLAM 和激光 SLAM 是两条平行发展的技术树，各自有顶尖代表作品。

3.2.1 视觉 SLAM 与激光 SLAM 的根本差异

💡 选型直觉：室内机器人（家庭服务、仓储）倾向激光 SLAM + 视觉辅助；室外大场景（自动驾驶、巡检）倾向 LiDAR 主导 + 视觉补语义；消费级 AR/VR 受成本约束倾向纯视觉。当前融合 SLAM（视觉 + LiDAR + IMU）是高端方案。

3.2.2 视觉 SLAM 的两大流派

视觉 SLAM 内部又分两大流派，按是否直接用像素灰度划分：

3.2.3 ORB-SLAM：特征法视觉 SLAM 的标杆

ORB-SLAM（2015-2017）是特征法视觉 SLAM 的集大成之作，支持单目、双目、RGB-D 三种相机。它的系统架构完美对应上一节的三段式：

ORB 特征为什么被选中

ORB（Oriented FAST and Rotated BRIEF）是 ORB-SLAM 选用的特征点。它具备：

• 极快提取：比 SIFT/SURF 快一个数量级，满足实时性。
• 旋转不变性：加了主方向估计，对相机旋转鲁棒。
• 尺度不变性：通过图像金字塔实现多尺度。
• 二进制描述子：匹配用汉明距离，CPU 位运算即可。

关键创新：词袋模型用于回环

ORB-SLAM 的回环检测用 DBoW2（Bag of Words，词袋模型）：把所有 ORB 描述子聚类成「视觉词典」，每帧图像编码为「视觉单词直方图」。新帧的直方图与历史关键帧比对，相似度高就触发回环候选。这一思路后来被无数 SLAM 系统继承。

ORB-SLAM 系列演进

⚠️ ORB-SLAM 的局限：稀疏点云地图只能用于定位，不能直接用于导航避障或操作。后期的稠密建图模块（如 ORB-SLAM with Dense Mapping）补救了这点，但稠密地图依然不如 LiDAR 精确。

3.2.4 VINS-Fusion：视觉-惯性紧耦合 SLAM

VINS-Fusion（港科大，2018）是视觉-惯性（VI）紧耦合 SLAM 的代表。它把单目/双目相机 + IMU 的数据在因子图层面融合，而不是松耦合（视觉和 IMU 各算各的最后拼）。

紧耦合的关键：IMU 预积分

IMU 采样率 200-1000Hz，相机 30Hz。如果每来一个 IMU 读数都加一个因子，因子图会爆炸。IMU 预积分（Pre-integration）的思路是：把两帧相机之间的所有 IMU 读数积分成一个「虚拟测量」，作为一个因子加入因子图：

Δp, Δv, Δq = ∫_{t_k}^{t_{k+1}} (a, ω) dt   # 预积分位置、速度、姿态变化
​

预积分的巧妙在于：它与位姿无关（不依赖绝对坐标系），所以即使位姿在优化中更新，预积分量也无需重算（除了 bias 修正）。

VINS 的优势

• 快速运动鲁棒：IMU 提供高频运动估计，弥补相机模糊时的丢失。
• 尺度可观测：单目视觉没有绝对尺度（双目有），但 IMU 通过加速度积分提供尺度。
• 实时性好：滑窗优化（只优化最近 N 帧）而非全批量，实时运行。

VINS-Fusion 已成为无人机、AR/VR 头显、移动机器人视觉惯性 SLAM 的事实标准之一。

3.2.5 直接法与端到端：DSO 与 DROID-SLAM

DSO（Direct Sparse Odometry） 是直接法的代表：不提特征，直接用像素灰度做光度误差优化。它的优势是信息利用完整，劣势是对光度标定（曝光、增益、几何畸变）极敏感。

最近两年的趋势是端到端深度学习 SLAM：

• DROID-SLAM（普林斯顿，2021）：用循环神经网络 + 光流相关性，端到端从图像序列直接预测位姿。
• NICE-SLAM / Co-SLAM：用 NeRF 表征地图，端到端可微 SLAM。
• Gaussian-SLAM / SplaTAM：用 3D Gaussian Splatting 作为地图表征。

💡 趋势判断：传统 SLAM（ORB-SLAM、VINS）在精度、效率、可解释性上仍占优势，但端到端深度 SLAM 在泛化性、退化场景鲁棒性上有独特价值。长期看两者会融合——传统 SLAM 提供先验结构，深度学习补足退化场景。

3.2.6 激光 SLAM：LOAM 与 LIO-SAM

激光 SLAM 以 LiDAR 为主要传感器。LOAM（2014）是开山之作，奠定了「边缘点 + 平面点」特征分离 + 高低频分离优化的范式。

LOAM 的核心思想

LiDAR 一帧点云包含几万个点，全用太慢。LOAM 把点云分成两类：

• 边缘点（Edge Points）：在物体边缘，对应线特征。
• 平面点（Planar Points）：在墙、地面，对应面特征。

然后做两类匹配：边缘点对齐到线，平面点对齐到面。这种「点-线、点-面」匹配比纯点-点匹配更鲁棒，因为利用了几何结构。

LOAM 还分离了两个频率：

• 高频里程计（10Hz）：用上一帧的少量特征快速估计位姿。
• 低频建图（1Hz）：用更多特征做精细优化与回环。

LIO-SAM：LiDAR-IMU 紧耦合

LIO-SAM（MIT，2020）是 LOAM 思想 + IMU 紧耦合 + 因子图优化的集大成：

• 用因子图统一四种因子：IMU 预积分因子、激光里程计因子、GPS 因子、回环因子。
• 紧耦合让快速运动和长时间运行都稳定。
• 已成为室外大场景 SLAM 的事实标准（自动驾驶、无人机、机器人通用）。

Cartographer：谷歌的 2D/3D 激光 SLAM

Cartographer（Google，2016）是另一个广泛使用的激光 SLAM，特点是：

• 支持 2D 和 3D LiDAR。
• 用「子图（Submap）」概念——把局部区域建成子图，再全局优化子图间位姿。
• 集成在 ROS 中，工业部署便利。

3.2.7 多传感器融合 SLAM

高端机器人普遍用多传感器融合 SLAM：

融合原则（呼应第 2.4 节）：每个传感器作为一个因子源，全部塞进因子图统一优化。这是因子图框架的最大威力——一个框架处理任意传感器组合。

3.2.8 SLAM 选型决策树

⚠️ 常见误区：「SLAM 越准越好」是错的。SLAM 的精度只要满足下游任务即可——一个送货机器人 5cm 精度足够，没必要追求毫米级。精度越高通常意味着计算成本、传感器成本、调参成本指数级上升。

3.2.9 当前 SLAM 工程化的核心难题

尽管 SLAM 算法日趋成熟，工程落地仍面临几大挑战：

第 3.4 节会专门讨论长程自主的工程难题。

本节小结

• 视觉 SLAM 与激光 SLAM 是两条平行技术树，分别适合纹理丰富和几何结构清晰的场景。
• ORB-SLAM 是特征法视觉 SLAM 标杆，三段式架构 + DBoW2 回环检测是其核心。
• VINS-Fusion 用 IMU 预积分实现视觉-惯性紧耦合，是无人机/AR/VR 主流。
• LOAM 与 LIO-SAM 是激光 SLAM 的里程碑，点-线、点-面匹配 + 因子图优化是核心。
• 多传感器融合 SLAM 用因子图统一处理任意传感器组合。
• 选型遵循场景与精度需求，过精度是浪费；动态环境、退化场景、长时漂移是工程核心难题。

下一节《3.3 语义 SLAM 与开放词汇场景理解》将讨论如何让地图不仅有几何，还有「含义」——这是机器人理解世界的关键跃迁。