SLAM，是现在导航定位技术中的热门技术，能让机器人和无人驾驶汽车在未知的环境中进行自主定位并规划路径，构建出增量式的地图。SLAM重要的理论与应用价值被认为是实现机器人自主移动以及汽车无人驾驶的关键技术。

无人设备的迅速普及加速了SLAM行业发展，Global Info Research调研给出的数据是全球SLAM技术近五年年复合增长率达到34.2%，可见行业增长之快。SLAM应用和软件技术、硬件技术都强相关，既需要传感器在前端提供优质的感知信号，也需要后端先进的算法对位姿图进行优化处理。严格来说，SLAM技术本身虽然是一项算法技术，但是应用SLAM的基础是性能优异的传感器。

视觉传感器与SLAM

从目前市面上主流的SLAM产品来看，主要分为两条路线，一是视觉SLAM，二是激光雷达SLAM。当然也有其他的技术路线，但是这两类是最受关注，也最有可能快速大规模落地的方向。视觉SLAM，即在感知层使用视觉传感器来采集图像的SLAM技术。

视觉SLAM导航已经有很多案例，在机器人、自动驾驶、ARVR方向这些主要的SLAM应用方向上不少都用的视觉方案。不同的传感器实现的视觉SLAM效果天差地别，普通相机（广角、鱼眼和球形相机）、复眼相机（立体相机和多相机）和 RGB-D相机（深度相机和ToF相机）实现出的SLAM效果各不相同。

单目是成本最低的方案，分辨率可以做到2K还是很高的，算法难度适中。单目SLAM能做到对已经识别出的物体避障，通过传感出的图像预估距离，整体的精度不算高，避障效果中规中矩。

双目在单目的基础上进一步匹配RDB特征，分辨率同样很高，整体硬件成本稍有上升，算法难度大幅提升，因为可以收集到深度信息大大增加了算法处理难度。整个SLAM效果比单目提升很多。

也有使用3D结构光和3D ToF的SLAM方案，分辨率比单、双目相机就差一些，但在避障距离、障碍物识别上各有优势。

激光雷达与SLAM

使用激光雷达传感器的SLAM，利用激光雷达传感输出的二维或三维点云数据进行构图与定位。对比相机和其他图像传感器，分辨率不占优势的激光雷达，在点云上提供了高精确度距离测度数据，在深度信息获取和精确度上的优势很明显。

激光雷达提供的点云数据直接影响了最后SLAM效果，而且就点云密度而言，因为不如视觉传感器精细，所以为了保证充足的特征来进行匹配，激光SLAM通常都需要搭配复杂的算法通过高处理能力来实现从传感到构图定位的一系列流程，这也很大程度上拉高了激光雷达SLAM成本。

激光雷达有2D和3D之分，在激光雷达SLAM自然也有2D与3D之分。2D激光雷达SLAM受限于传感器性能，只能识别二维平面，不能适用于复杂的三维环境。对于场景复杂的场景，如无人机和自动驾驶，基于多线激光雷达的 3D SLAM定位技术，是目前全球最领先的3D SLAM定位导航技术。

基于多线激光雷达的3D SLAM技术理论上可以构建百万平米的超大场景3D点云地图，当然这建立在传感器性能足够好的基础上。实现高精度的定位导航，激光雷达SLAM还需要其他传感器提供的数据进行融合，如何降低硬件成本也是该技术落地的挑战。

小结

视觉SLAM和激光雷达SLAM目前还没有定论到底哪个更胜一筹，虽然硬件成本更低更亲民的视觉SLAM在精度上受限，但现在融合其他传感器（如IMU）的视觉SLAM研究也很热，融合突破后的视觉SLAM未尝不能实现更好的导航定位。

而激光雷达SLAM的成本近几年也的确有下探的趋势，很多传感器厂商将传感器加SLAM整套方案打包的方式也有助于成本逐步下探，假以时日视觉SLAM的成本优势或许就不再明显，未来二者相容也不是不可能。