SLAM在自动驾驶中起到什么作用？

[首发于智驾最前沿微信公众号]在谈及自动驾驶时，经常会听SLAM这项技术。SLAM，即“Simultaneous Localization And Mapping”的缩写，中文称为“同时定位与建图”。SLAM可以解决一个非常关键的问题，那就是让一个移动设备在未知环境中，一边构建周围的地图，一边确定自己在该地图中的位置。这个过程好比一边行走、一边描绘地图，同时实时标注自己的位置。

图片源自：网络

在自动驾驶领域，SLAM不是某一个特定算法，而是一套完整的技术框架与工程体系，其中涵盖传感器、状态估计、特征提取、数据关联、后端优化等多个环节。其通常会结合里程计、惯性测量单元（IMU）、摄像头或激光雷达等传感器，并借助图优化或滤波方法，持续优化定位结果与地图信息。

SLAM可以完成的两大核心任务就是定位与建图。定位负责估计设备在空间中的位置与姿态，建图则将感知到的环境信息组织为可用于导航的地图形式。虽然两者可分头进行，但SLAM则可以让它们的同步与互动，即通过已有地图提升定位精度，又通过新观测持续更新地图，从而形成一个自我增强的闭环系统。

SLAM在自动驾驶中的具体作用

对于自动驾驶系统来说，SLAM可以在缺乏先验地图或环境未知的场景中，提供实时定位与环境建模能力，使车辆具备一定的自主运行能力；还可以在已有高精度地图与实际情况出现偏差时，实现在线修正，避免因自动驾驶汽车完全依赖离线地图所带来的潜在风险。

不同驾驶场景对SLAM的需求其实是不同的。像是在低速城市道路或封闭园区中，视觉或激光SLAM能够构建精细的局部地图，辅助车辆识别车道线、静态障碍物等细节结构；但在高速场景中，SLAM更多用于与惯性导航系统互补，提供短时、高频的位置补偿，提升系统的连续性与鲁棒性。

图片源自：网络

此外，SLAM也可以在感知与定位模块之间建立起关键连接。感知模块识别物体、判断可行驶区域，而SLAM负责将这些信息置于统一的时空坐标系中，形成稳定、可复用的环境表达。规划与控制模块依赖准确的位姿与地图信息来做出决策，若没有SLAM的支持，在GPS信号不佳的区域，车辆就容易出现定位漂移，影响行驶安全。

SLAM还增强了自动驾驶系统的冗余与容错能力。自动驾驶系统通常会融合GNSS、IMU、轮速里程计以及视觉或激光SLAM来进行定位，如果在某一类传感器出现故障或信号丢失时，其他传感器能够接替工作，降低因单一组件失效导致整体定位失败的风险。因此，SLAM不应被简单视作一个独立算法，而是定位系统中不可或缺的关键组成部分。

常见的SLAM实现方式与传感器配合

实现SLAM的技术路径多样，需要考虑具体场景、成本、计算资源与精度要求等。从传感器类型出发，主流方案包括视觉SLAM、激光SLAM、雷达SLAM，以及多传感器融合SLAM。

视觉SLAM主要依赖摄像头，优势在于成本低、信息丰富，能够捕捉颜色与纹理，适合语义理解与细节识别，但对光照变化、天气条件较为敏感。激光SLAM基于激光雷达点云数据，不易受光照影响，几何结构清晰且具备准确测距能力，常用于构建高精度三维地图，不过硬件成本与计算开销较高。毫米波雷达在恶劣天气中表现稳定，并能检测高速移动物体，通常作为辅助传感器，较少单独用于建图。

图片源自：网络

从后端算法来看，SLAM可以分为基于滤波和基于图优化这两大类。像是扩展卡尔曼滤波（EKF）这类基于滤波的方法，适合在线实时估计，计算效率高，但跑的时间一长，误差容易累积起来。而基于图优化的方法，则是把各种观测数据和回环约束都建成一张“图”，然后通过整体优化来保证全局一致性。它最拿手的就是通过回环检测来修正长期漂移，但缺点是比较耗费计算和存储资源。现阶段，很多技术方案中会把两者结合起来，取长补短，让前端滤波器保证实时输出，同时让后端图优化去默默处理关键帧和回环校正。

多传感器融合是提升SLAM性能与鲁棒性的关键。IMU可提供高频姿态变化，在视觉或激光数据短暂缺失时维持运动预测；轮速里程计提供相对位移估计；GNSS则提供绝对位置参考。将这些信息在时间同步与误差建模的基础上进行融合，能显著增强系统在复杂环境中的适应能力。近年来，语义信息在自动驾驶系统中的引入也日益受到重视，通过识别如路灯、建筑转角等稳定要素，SLAM能将临时动态物体纳入地图，从而提升地图的语义质量与长期可用性。

SLAM应用的挑战

想把SLAM技术应用到实车环境中，其实要考虑非常多的问题。首当其冲的是动态环境带来的干扰，传统SLAM默认周围是静止的，但真实路况中车辆、行人不断移动，很容易污染地图、带偏定位。对此可以对动态目标进行检测和剔除，或者把它们单独建模，不让这些“临时特征”影响静态地图的构建。

除了动态物体，环境条件的变化也会直接影响传感器，视觉系统在强光、阴影或夜晚容易失效，激光雷达则在雨雪中点云质量下降。这就要求自动驾驶系统具备多传感器自适应能力，能根据实时数据质量动态调整各传感器的权重，实现平稳降级和功能互补。

图片源自：网络

还有一个绕不开的问题就是尺度不确定与漂移累积。单目视觉SLAM本身无法确定真实尺度，需要借助IMU或里程计来校正；而在长时间运行中，即便很小的误差也会逐渐积累，造成定位明显偏离。这时候要依赖回环检测来修正漂移，但回环本身又受制于场景识别与匹配的准确性。因此，通常结合视觉与激光的回环信息，并配合关键帧选择与地图管理机制，在精度和计算负载之间取得平衡。

实时性与计算资源更是硬约束。自动驾驶对定位频率和延迟要求极高，SLAM系统必须在有限算力下完成所有处理。为了保障关键任务能够实时响应，系统常采用诸如特征点稀疏化、局部地图优化与异步后端处理等加速方式。

传感器之间的时间同步与外参标定也是常见故障来源。微小的时间偏移或坐标转换误差，都可能导致观测数据“对不上”。因此系统必须支持在线标定与健康监测，一旦发现参数异常，就要及时触发重新标定或切换至安全模式。

什么时候要用SLAM？

SLAM并不是在所有自动驾驶系统中都作为核心定位手段。在GPS信号良好、且具备高精度先验地图的高速公路等场景，车辆可以主要依赖GNSS、IMU与地标匹配进行定位，而将SLAM作为备用或局部增强手段。而在隧道、地下车库、城市峡谷等卫星信号受限的区域，SLAM则是维持定位连续性的关键保障。