SLAM在自動駕駛中起到什么作用？

[首發于智駕最前沿微信公眾號]在談及自動駕駛時，經常會聽SLAM這項技術。SLAM，即“Simultaneous Localization And Mapping”的縮寫，中文稱為“同時定位與建圖”。SLAM可以解決一個非常關鍵的問題，那就是讓一個移動設備在未知環境中，一邊構建周圍的地圖，一邊確定自己在該地圖中的位置。這個過程好比一邊行走、一邊描繪地圖，同時實時標注自己的位置。

圖片源自：網絡

在自動駕駛領域，SLAM不是某一個特定算法，而是一套完整的技術框架與工程體系，其中涵蓋傳感器、狀態估計、特征提取、數據關聯、后端優化等多個環節。其通常會結合里程計、慣性測量單元（IMU）、攝像頭或激光雷達等傳感器，并借助圖優化或濾波方法，持續優化定位結果與地圖信息。

SLAM可以完成的兩大核心任務就是定位與建圖。定位負責估計設備在空間中的位置與姿態，建圖則將感知到的環境信息組織為可用于導航的地圖形式。雖然兩者可分頭進行，但SLAM則可以讓它們的同步與互動，即通過已有地圖提升定位精度，又通過新觀測持續更新地圖，從而形成一個自我增強的閉環系統。

SLAM在自動駕駛中的具體作用

對于自動駕駛系統來說，SLAM可以在缺乏先驗地圖或環境未知的場景中，提供實時定位與環境建模能力，使車輛具備一定的自主運行能力；還可以在已有高精度地圖與實際情況出現偏差時，實現在線修正，避免因自動駕駛汽車完全依賴離線地圖所帶來的潛在風險。

不同駕駛場景對SLAM的需求其實是不同的。像是在低速城市道路或封閉園區中，視覺或激光SLAM能夠構建精細的局部地圖，輔助車輛識別車道線、靜態障礙物等細節結構；但在高速場景中，SLAM更多用于與慣性導航系統互補，提供短時、高頻的位置補償，提升系統的連續性與魯棒性。

圖片源自：網絡

此外，SLAM也可以在感知與定位模塊之間建立起關鍵連接。感知模塊識別物體、判斷可行駛區域，而SLAM負責將這些信息置于統一的時空坐標系中，形成穩定、可復用的環境表達。規劃與控制模塊依賴準確的位姿與地圖信息來做出決策，若沒有SLAM的支持，在GPS信號不佳的區域，車輛就容易出現定位漂移，影響行駛安全。

SLAM還增強了自動駕駛系統的冗余與容錯能力。自動駕駛系統通常會融合GNSS、IMU、輪速里程計以及視覺或激光SLAM來進行定位，如果在某一類傳感器出現故障或信號丟失時，其他傳感器能夠接替工作，降低因單一組件失效導致整體定位失敗的風險。因此，SLAM不應被簡單視作一個獨立算法，而是定位系統中不可或缺的關鍵組成部分。

常見的SLAM實現方式與傳感器配合

實現SLAM的技術路徑多樣，需要考慮具體場景、成本、計算資源與精度要求等。從傳感器類型出發，主流方案包括視覺SLAM、激光SLAM、雷達SLAM，以及多傳感器融合SLAM。

視覺SLAM主要依賴攝像頭，優勢在于成本低、信息豐富，能夠捕捉顏色與紋理，適合語義理解與細節識別，但對光照變化、天氣條件較為敏感。激光SLAM基于激光雷達點云數據，不易受光照影響，幾何結構清晰且具備準確測距能力，常用于構建高精度三維地圖，不過硬件成本與計算開銷較高。毫米波雷達在惡劣天氣中表現穩定，并能檢測高速移動物體，通常作為輔助傳感器，較少單獨用于建圖。

圖片源自：網絡

從后端算法來看，SLAM可以分為基于濾波和基于圖優化這兩大類。像是擴展卡爾曼濾波（EKF）這類基于濾波的方法，適合在線實時估計，計算效率高，但跑的時間一長，誤差容易累積起來。而基于圖優化的方法，則是把各種觀測數據和回環約束都建成一張“圖”，然后通過整體優化來保證全局一致性。它最拿手的就是通過回環檢測來修正長期漂移，但缺點是比較耗費計算和存儲資源。現階段，很多技術方案中會把兩者結合起來，取長補短，讓前端濾波器保證實時輸出，同時讓后端圖優化去默默處理關鍵幀和回環校正。

多傳感器融合是提升SLAM性能與魯棒性的關鍵。IMU可提供高頻姿態變化，在視覺或激光數據短暫缺失時維持運動預測；輪速里程計提供相對位移估計；GNSS則提供絕對位置參考。將這些信息在時間同步與誤差建模的基礎上進行融合，能顯著增強系統在復雜環境中的適應能力。近年來，語義信息在自動駕駛系統中的引入也日益受到重視，通過識別如路燈、建筑轉角等穩定要素，SLAM能將臨時動態物體納入地圖，從而提升地圖的語義質量與長期可用性。

SLAM應用的挑戰

想把SLAM技術應用到實車環境中，其實要考慮非常多的問題。首當其沖的是動態環境帶來的干擾，傳統SLAM默認周圍是靜止的，但真實路況中車輛、行人不斷移動，很容易污染地圖、帶偏定位。對此可以對動態目標進行檢測和剔除，或者把它們單獨建模，不讓這些“臨時特征”影響靜態地圖的構建。

除了動態物體，環境條件的變化也會直接影響傳感器，視覺系統在強光、陰影或夜晚容易失效，激光雷達則在雨雪中點云質量下降。這就要求自動駕駛系統具備多傳感器自適應能力，能根據實時數據質量動態調整各傳感器的權重，實現平穩降級和功能互補。

圖片源自：網絡

還有一個繞不開的問題就是尺度不確定與漂移累積。單目視覺SLAM本身無法確定真實尺度，需要借助IMU或里程計來校正；而在長時間運行中，即便很小的誤差也會逐漸積累，造成定位明顯偏離。這時候要依賴回環檢測來修正漂移，但回環本身又受制于場景識別與匹配的準確性。因此，通常結合視覺與激光的回環信息，并配合關鍵幀選擇與地圖管理機制，在精度和計算負載之間取得平衡。

實時性與計算資源更是硬約束。自動駕駛對定位頻率和延遲要求極高，SLAM系統必須在有限算力下完成所有處理。為了保障關鍵任務能夠實時響應，系統常采用諸如特征點稀疏化、局部地圖優化與異步后端處理等加速方式。

傳感器之間的時間同步與外參標定也是常見故障來源。微小的時間偏移或坐標轉換誤差，都可能導致觀測數據“對不上”。因此系統必須支持在線標定與健康監測，一旦發現參數異常，就要及時觸發重新標定或切換至安全模式。

什么時候要用SLAM？

SLAM并不是在所有自動駕駛系統中都作為核心定位手段。在GPS信號良好、且具備高精度先驗地圖的高速公路等場景，車輛可以主要依賴GNSS、IMU與地標匹配進行定位，而將SLAM作為備用或局部增強手段。而在隧道、地下車庫、城市峽谷等衛星信號受限的區域，SLAM則是維持定位連續性的關鍵保障。