随着最近几年机器人、无人机、无人驾驶、VR/AR的火爆，SLAM技术也为大家熟知，被认为是这些领域的关键技术之一。本文对SLAM技术及其发展进行简要介绍，分析视觉SLAM系统的关键问题以及在实际应用中的难点，并对SLAM的未来进行展望。
1. SLAM技术SLAM（Simultaneous Localization and Mapping），同步定位与地图构建，最早在机器人领域提出，它指的是：机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的增量式地图，从而达到同时定位和地图构建的目的。由于SLAM的重要学术价值和应用价值，一直以来都被认为是实现全自主移动机器人的关键技术。
如下图，通俗的来讲，SLAM回答两个问题：“我在哪儿？”“我周围是什么？”，就如同人到了一个陌生环境中一样，SLAM试图要解决的就是恢复出观察者自身和周围环境的相对空间关系，“我在哪儿”对应的就是定位问题，而“我周围是什么”对应的就是建图问题，给出周围环境的一个描述。回答了这两个问题，其实就完成了对自身和周边环境的空间认知。有了这个基础，就可以进行路径规划去达要去的目的地，在此过程中还需要及时的检测躲避遇到的障碍物，保证运行安全。
自从上世纪80年代SLAM概念的提出到现在，SLAM技术已经走过了30多年的历史。SLAM系统使用的传感器在不断拓展，从早期的声呐，到后来的2D/3D激光雷达，再到单目、双目、RGBD、ToF等各种相机，以及与惯性测量单元IMU等传感器的融合；SLAM的算法也从开始的基于滤波器的方法（EKF、PF等）向基于优化的方法转变，技术框架也从开始的单一线程向多线程演进。下面介绍这些过程中一些代表性的SLAM技术。
（1）激光雷达SLAM发展
基于激光雷达的SLAM（Lidar SLAM）采用2D或3D激光雷达（也叫单线或多线激光雷达），如下图所示。在室内机器人（如扫地机器人）上，一般使用2D激光雷达，在无人驾驶领域，一般使用3D激光雷达。
激光雷达的优点是测量精确，能够比较精准的提供角度和距离信息，可以达到<1°的角度精度以及cm级别的测距精度，扫描范围广（通常能够覆盖平面内270°以上的范围），而且基于扫描振镜式的固态激光雷达（如Sick、Hokuyo等）可以达到较高的数据刷新率（20Hz以上），基本满足了实时操作的需要；缺点是价格比较昂贵（目前市面上比较便宜的机械旋转式单线激光雷达也得几千元），安装部署对结构有要求（要求扫描平面无遮挡）。
激光雷达SLAM建立的地图常常使用占据栅格地图（Ocupanccy Grid）表示，每个栅格以概率的形式表示被占据的概率，存储非常紧凑，特别适合于进行路径规划。
现任Udacity创始人CEO、前Google副总裁、谷歌无人车领导者Sebastian Thrun大神（下图）在他2005年的经典著作《Probabilistic Robotics》一书中详细阐述了利用2D激光雷达基于概率方法进行地图构建和定位的理论基础，并阐述了基于RBPF粒子滤波器的FastSLAM方法，成为后来2D激光雷达建图的标准方法之一GMapping[1][2]的基础，该算法也被集成到机器人操作系统（Robot Operation System，ROS）中。
2013年，文献[3]对ROS中的几种2D SLAM的算法HectorSLAM，KartoSLAM，CoreSLAM，LagoSLAM和GMapping做了比较评估，读者可前往细看。
2016年，Google开源其激光雷达SLAM算法库Cartographer[4]，它改进了GMapping计算复杂，没有有效处理闭环的缺点，采用SubMap和Scan Match的思想构建地图，能够有效处理闭环，达到了较好的效果。
（2）视觉SLAM发展
相比于激光雷达，作为视觉SLAM传感器的相机更加便宜、轻便，而且随处可得（如人人都用的手机上都配有摄像头），另外图像能提供更加丰富的信息，特征区分度更高，缺点是图像信息的实时处理需要很高的计算能力。幸运的是随着计算硬件的能力提升，在小型PC和嵌入式设备，乃至移动设备上运行实时的视觉SLAM已经成为了可能。
视觉SLAM使用的传感器目前主要有单目相机、双目相机、RGBD相机三种，其中RGBD相机的深度信息有通过结构光原理计算的（如Kinect1代），也有通过投射红外pattern并利用双目红外相机来计算的（如Intel RealSense R200），也有通过TOF相机实现的（如Kinect2代），对用户来讲，这些类型的RGBD都可以输出RGB图像和Depth图像。
