SLAM（Simulatneous Localization and Mapping）即时定位于地图构建，也被称为CML（Concurrent Mapping and Localization)，并发定位与建图，这个行业研究的是一个机器人或者任何人工智能AI载体被放置在未知区域，针对车来说就是没有高精度地图的时候，如何让它在探索方向的同时逐步描绘出环境地图。比如深海，比如未知洞穴、冰川狭缝、特殊地形。

家用扫地机器人就是一个典型例子，买了之后在家里滚一圈，自主建图之后就可以自动避开障碍自主清扫地面了。这种理念1988年就出现了，到目前为止，基本上经历了三个时代。八几年到2004年，基于概率的框架建模求解方法，然后是2015年是个节点，稀疏性、一致性、收敛性被纳入算法，再后来就是鲁棒感知时代，说白了第三个阶段才能够搭配资源比如执行器MCU接口的扩展，还有就是高层语义认知以及交互。

SLAM主要有两部分功能，一个是定位，另一个是建图。很多企业的部门也是这么分的，前者包含运行速度各方面定位信息，后者包含地标、障碍物位置等等。如果传感器阵列中包含激光雷达，那么就是激光SLAM，目前很多工业产线上有二维激光SLAM的设备，甚至三维的，三维激光SLAM技术就是利用激光雷达获取三维点云数据，然后通过相邻点云帧之间的扫描匹配进行位置姿态估计，然后生成完整的点云地图，这个过程并不复杂，工程人员每一层甚至不需要知道对方在做什么，程序好多也都是现成的图。

老王之前服务过的某个企业，具体传感器机械位置布局的部门，是不用太了解传感器匹配模型的，做传感器硬件的也都是供应商，算法部门也不为点云数据的储存负责，因为那是数据部门的职责，总的来说话语权大一些的可能还是算法吧，因为有些算法当他们发现传感器布局位置有干扰、机械干涉、角度盲区的时候，还是会驱动机械设计部门修改，不过这些都是题外话。

我们本期聊的是有图方案和这类SLAM的区别，有的人认为SLAM已经落伍了，其实这是了解不足造成的，目前SLAM已经在很多自动机器人、无人机、无人驾驶有轨载具、AR这些领域广泛应用了，而依赖高精地图的很多自动驾驶概念还依旧处在炒作期。尤其是SLAM的优势是在一些GPS信号丢失的环境，或者高精地图无法覆盖的地区发挥着重要作用。

很简单，要想对比目前的局势，你心中测算一下目前有高精地图的地区多还是没有高精地图的地区多？这样你就知道无图和有图哪一个应用广泛了。