激光SLAM技术综述（持续更新中 …）

最后一次更新：2025.07.30

---

一 、 激光SLAM概述

  同步定位与建图（Simultaneous Localization and Mapping, SLAM）作为机器人自主导航的核心技术，通过环境感知与自定位的协同实现未知环境的地图构建。其中，激光SLAM以激光雷达（LiDAR）为主要传感器，利用其高精度、强抗干扰和环境稳定性等优势，成为工业界应用最广泛的SLAM实现方式。激光SLAM的发展历程经历了从2D到3D的演进，从单一传感器到多传感器融合的变革，以及从滤波方法到优化理论的范式转移。根据适配的场景，激光SLAM可分为2D SLAM（适用于室内平面移动机器人）和3D SLAM（适用于无人机、自动驾驶等三维运动平台）。

  激光SLAM面临的核心挑战包括：运动畸变补偿（高速运动导致点云失真）、数据关联不确定性（环境特征匹配歧义）、累积误差消除（长期运行的位置漂移）以及大规模场景下的实时性问题。

  现代激光SLAM系统通常采用模块化架构，包含传感器数据处理、前端里程计、后端优化、回环检测和地图管理等组件。这种架构设计使得系统能够兼顾实时局部精度和全局一致性，为机器人在复杂环境中的稳定运行提供保障。

二、 激光SLAM基本流程

2.1 传感器数据处理与特征提取

  激光SLAM流程起始于原始点云预处理，这一阶段对后续建图质量具有决定性影响。关键预处理步骤包括：

• 运动畸变校正：由于激光雷达扫描需要时间（典型旋转周期为10-100ms），在扫描过程中机器人自身的运动会导致点云失真。基于IMU或里程计的运动补偿通过插值计算每个激光点在采样时刻相对于雷达基座的位置，从而消除畸变。LOAM系列算法在此方面做出了开创性工作，通过线性插值或IMU积分实现高精度补偿。
• 点云滤波与降噪：
  • 采用体素网格滤波（Voxel Grid Filter）降低点云密度，在保持几何特征的同时显著减少计算量；
  • 采用统计离群值移除（Statistical Outlier Removal）消除因灰尘、雨雾等环境干扰产生的噪声点。
• 特征提取：针对环境几何结构识别关键特征点。
  • 特征提取主要提取线特征（曲率大的边缘点）和面特征（曲率小的平面点）;进一步引入柱状特征（如树干、墙角）和结构特征（如地面、建筑立面）。
  • LeGO-LOAM通过地面优化分离点云并提取地面特征，显著提升了在复杂地形中的鲁棒性。
  • 基于随机有限集的特征提取方法则通过Rao-Blackwellized概率假设密度（RB-PHD）框架实现对动态环境的适应性，提高特征稳定性。

表：激光SLAM特征提取方法对比:

特征类型	适用场景	提取方法	代表算法
边缘特征	室内外角点、桌沿	局部曲率计算	LOAM, A-LOAM
平面特征	墙面、地面	表面法向量分析	Lego-LOAM
柱状特征	树干、柱体	M估计抽样一致性	RB-PHD-SLAM
高度特征	地形变化	鸟瞰图投影	雷达虹膜方法

2.2 前端里程计（Odometry）

  前端里程计负责帧间位姿估计，通过连续两帧或多帧点云的匹配计算相对运动。主流方法包括：

• 扫描匹配（Scan Matching）：核心思想是寻找最优变换（旋转矩阵R和平移向量t）使当前帧点云与参考帧或局部地图对齐。
  • 点到点（ICP, Iterative Closest Point）和点到面（Point-to-Plane ICP）是最基础但计算量大的方法。
  • 现代算法多采用特征匹配替代原始点云匹配，如LeGO-LOAM通过点到线距离**（边缘特征）和点到面距离（平面特征）构建残差函数。
• 运动预测辅助：为提升匹配效率与精度，通常引入IMU短期运动预测或轮式里程计作为初始位姿估计。紧耦合方法如LIO-SAM将IMU预积分结果直接纳入优化框架，实现毫米级位姿估计。
• 局部地图维护：高效前端通常维护一个动态更新的局部子地图（Submap），当前帧与子地图匹配而非单帧点云。Cartographer 采用多分辨率子地图策略，在保证精度的同时降低计算复杂度。
• 实时性优化是前端设计的关键考量。ikd-Tree等创新数据结构通过增量式更新实现高效最近邻搜索，使FAST-LIO2等算法达到100Hz以上的处理频率。基于IEKF（迭代扩展卡尔曼滤波）的方法则通过线性化近似和迭代优化平衡精度与速度，在M2DGR数据集上实现单帧处理时间<19ms的高效建图。

2.3 后端优化与回环检测

  后端优化解决累积误差消除问题，是构建全局一致地图的核心。主要技术路线包括：

• 因子图优化（Factor Graph Optimization）：将位姿估计问题建模为概率图模型，其中节点表示机器人位姿（姿态和位置），边表示传感器测量的约束（里程计、回环等）。LIO-SAM 采用紧耦合因子图框架，融合IMU预积分因子、激光里程计因子和回环因子，通过GTSAM或g2o等优化库求解全局最优位姿。

• 位姿图优化（Pose Graph Optimization, PGO）：因子图的特例，仅优化位姿节点间的约束关系。Cartographer 使用Ceres Solver实现高效PGO，显著降低大规模环境中的累积误差。

回环检测（Loop Closure）作为后端优化的关键环节，识别重访位置以提供全局约束：

• 几何匹配法：通过当前扫描与历史地图的几何相似度检测回环。Cartographer采用分支定界法（Branch and Bound）在多层分辨率子地图中快速搜索匹配。

• 特征描述子法：提取点云的全局描述子实现快速回环识别。雷达虹膜方法（Lidar Iris）将点云鸟瞰图编码为二值虹膜图像，通过相似度评分实现高召回率检测，相比传统几何方法在KITTI数据集上提升精度50%。

• 子地图到子地图匹配：D-LIOM等先进方法首先在2D投影上检测子地图间回环，获得5-DoF初始变换，再优化垂直方向位移，避免暴力匹配的高计算开销。

2.4 地图表示与管理

  激光SLAM的最终输出是环境地图，其表示形式直接影响导航效率：

• 栅格地图（Grid Map）：2D SLAM常用将环境划分为网格单元，每个单元存储占据概率形式。例如GMapping，适用于室内导航，但无法表达三维结构。

• 点云地图（Point Cloud Map）：原始点云集合，保留完整环境信息但数据量大。LOAM系列算法生成此类地图，需配合降采样使用。

• 特征地图（Feature Map）：仅存储提取的几何特征（平面、边缘等），极大压缩数据量。LeGO-LOAM 的地面优化地图显著提升了车载平台的实用性。

• 多分辨率地图：Cartographer 的创新方案，通过多层级子地图（hierarchical submaps）平衡全局一致性与局部精度，支持大规模场景建图。

表：2D与3D激光SLAM关键差异

维度	传感器类型	特征提取	匹配方式	典型应用
2D SLAM	单线激光雷达	线特征、角点	点到线距离	室内服务机器人
3D SLAM	多线激光雷达(16/32/64/128线)	面特征、地面分割	点到面距离	自动驾驶、无人机
融合SLAM	激光+IMU+相机	多模态特征融合	紧耦合优化	高精度测绘、AGV

三、主流激光SLAM算法解析

3.1 2D激光SLAM算法

3.1.1 GMapping：基于粒子滤波的经典方法

  GMapping采用Rao-Blackwellized粒子滤波（RBPF）框架，每个粒子携带独立地图。其核心创新在于改进提议分布，将激光扫描匹配结果融入粒子生成过程，显著减少粒子数量需求（通常10-30个即可）。

  但是，GMapping严重依赖里程计精度，在长走廊或对称环境中易发生粒子退化，导致建图失败。其计算效率也随环境扩大而急剧下降，仅适用于中小规模场景（机器人移动距离<100m）。

3.1.2 Hector建图：基于扫描匹配的无里程计方法

  Hector建图（Hector SLAM）采用高斯-牛顿优化框架，核心依赖激光扫描匹配实现位姿估计与地图构建。其最大特点是无需里程计信息，仅通过激光雷达数据即可完成建图，适用于手持设备、无人机等缺乏轮式编码器的平台。

  但是，Hecto建图无闭环检测机制：累积误差随运动距离增加无法消除，仅适合中小规模场景（机器人移动距离<200m）、 退化场景敏感：在长走廊、对称房间等几何特征缺失环境中易匹配失败、纯二维地图：输出为栅格地图，无法表达三维结构（如斜坡、多层空间）。

3.1.3 Cartographer：多传感器融合的工业级方案（Google）

  Cartographer 融合IMU、里程计与激光雷达数据，创新性地提出多层次优化框架：

• 前端局部匹配：基于Ceres Scan Matcher实现实时帧到子地图匹配
• 后端全局优化：使用分支定界法（Branch-and-Bound）加速回环检测，构建全局一致的位姿图
• 子地图管理：将连续扫描累积为局部子地图，作为优化基本单元

  其独特的分支定界法在预设分辨率层级上搜索匹配，大幅提升回环检测效率。实验表明，Cartographer在大型仓库环境中（机器人移动距离>500m）仍保持厘米级精度，成为工业应用的首选。

3.2 3D激光SLAM算法

3.2.1 LOAM系列：三维里程计的里程碑

  LOAM（Lidar Odometry and Mapping）作为实时三维SLAM的开创性工作，提出特征分类与运动补偿的创新组合：

• 特征提取：计算点云曲率，筛选边缘点（曲率大）和平面点（曲率小）

• 双频架构：高频里程计（10Hz）执行scan-scan匹配保证实时性；低频建图（1Hz）执行scan-map匹配提升精度

• 运动补偿：基于匀速模型或IMU数据插值消除点云畸变

  A-LOAM（Advanced LOAM）重构并优化了LOAM代码，提高可读性和实用性。

  LeGO-LOAM（Lightweight and Ground-Optimized）针对地面移动平台优化：

• 点云分割：基于距离和表面平滑度分割点云，降低噪声影响

• 地面优化：分离地面点与非地面点，分别用于高程估计和水平定位

• 回环检测：引入位姿图优化和ICP回环检测，大幅降低累积误差

  LIO-SAM （Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping）实现激光-IMU紧耦合**：

• 因子图集成：融合IMU预积分、激光里程计、GPS和回环四类因子

• 关键帧机制：仅优化关键帧位姿，大幅提升实时性

• 模块化设计：支持GPS等全局传感器接入，实现零漂移定位

表：LOAM系列算法演进对比

算法	年份	主要贡献	开源地址	涉及的传感器
LOAM	2014	实时三维激光里程计	无	激光雷达
A-LOAM	-	LOAM代码优化	GitHub/HKUST-Aerial-Robotics	激光雷达
LeGO-LOAM	2018	地面优化与轻量化	GitHub/RobustFieldAutonomyLab	激光+IMU(松耦合)
LIO-SAM	2020	紧耦合因子图优化	GitHub/TixiaoShan	激光+IMU+GPS(紧耦合)
SC-LeGO-LOAM	2021	扫描上下文回环检测	GitHub/irapkaist	激光+IMU+语义

3.2.2 前沿创新算法

3.2.2.1 FAST-LIO-1 (Fast LiDAR-Inertial Odometry 2020):

  基于紧耦合迭代卡尔曼滤波（IEKF）的激光-惯性里程计框架，首次实现高效运动畸变补偿与低计算负载的融合方案：

• 紧耦合流形IEKF（Iterated Kalman Filter on Manifold）

流形空间建模：将位姿（SO(3)流形）与状态向量（位置、速度、IMU偏置、外参等18维）统一优化，避免欧拉角奇异性问题。

反向传播运动补偿：利用IMU数据逆向推算每个激光点的精确位姿，消除高速运动导致的点云拉伸（优于LOAM的线性插值）。

• 新卡尔曼增益公式

计算复杂度突破：传统方法复杂度随测量维度（千级点云）增长，FAST-LIO1推导出仅依赖状态维度（18维）的增益公式，效率提升10倍。

嵌入式适配：使ARM平台（如Jetson TX2）实现20Hz实时里程计。

• 静态k-d树地图管理

全局重建瓶颈：地图更新需完全重建k-d树，单帧耗时＞50ms，限制最高频率至20Hz。

特征提取可选：支持原始点云或边缘/平面特征配准，但后者在无结构场景鲁棒性不足。

3.2.2.2 FAST-LIO-2（Fast Direct LiDAR-Inertial Odometry）) :

  基于紧耦合迭代卡尔曼滤波（IEKF）的激光-惯性里程计框架，通过两项革命性创新实现高效鲁棒的SLAM：

• 直接原始点云配准（Direct Point Registration）

无需特征提取：摒弃传统方法（如LOAM）依赖边缘/平面特征的流程，直接将原始点云与地图匹配。此举保留环境中细微结构（如墙面纹理、不规则物体），提升无结构场景（隧道、空房间）的适应性136。

精度与泛化性提升：类似视觉SLAM中的“直接法”，避免特征参数调优，适配不同扫描模式的雷达（如固态雷达Livox的小视场角）。

• 增量kd树（ikd-Tree）动态地图管理

高效增量更新：支持点插入、删除、动态平衡，通过惰性删除（Lazy Delete）和并行重建降低开销。相比静态k-d树（需全局重建），单帧处理延迟≤10ms，支持100Hz实时建图136。

优越搜索性能：kNN搜索效率比八叉树/R*-Tree快3-5倍，适应千米级场景，内存占用线性增长（传统方法为O(n log n)）。

• 紧耦合IEKF与运动补偿优化

流形空间滤波：18维状态估计（位姿/速度/偏置/外参），通过反向传播（Back Propagation）精确补偿运动畸变，显著改善高速运动（如无人机1000°/s旋转）下的点云拉伸问题。

卡尔曼增益公式革新：将计算复杂度从测量维度（千级点云）降至状态维度（18维），效率提升10倍以上，嵌入式平台（ARM）亦可实时运行

3.2.2.3 D-LIOM（Tightly-coupled Direct LiDAR-Inertial Odometry and Mapping）针对Cartographer 3D的局限性改进：

• 重力方向初始化：借鉴VIO方法对齐NDT配准与IMU预积分

• 局部因子图优化：联合优化位姿、IMU偏置和重力向量

• 子地图间回环检测：通过2D投影匹配快速获取5-DoF初始变换

3.2.2.4 基于雷达虹膜的SLAM

  创新性地将生物识别技术引入回环检测：

• 高度信息编码：将点云鸟瞰图转换为虹膜图像

• 相似度评分：计算虹膜图像间Hamming距离

• 因子图后端：融合虹膜回环因子，在KITTI数据集上相比LeGO-LOAM提升37%精度

3.2.2.5 基于柱状特征的RB-PHD-SLAM

  利用随机有限集理论解决数据关联歧义：

• 序贯蒙特卡罗实现：传递车辆轨迹概率密度和地图后验强度
• M估计抽样一致性：提取稳定柱状特征（如树干、灯柱）
• 环境特征联合估计：相比FastSLAM定位精度提升44.99%

四、 前沿进展与融合趋势

4.1 多传感器紧耦合

  激光-惯性导航紧耦合成为高精度SLAM的主流范式，代表性工作包括：

• LIOM引入在线标定技术，同步估计激光-IMU外参和时间偏移
• LIO-SAM 的因子图框架实现IMU偏置与位姿联合优化
• FAST-LIO3 基于IKD-Tree和迭代卡尔曼滤波实现400Hz高频更新

  武汉科技大学提出的基于IEKF的快速耦合算法在M2DGR数据集上实现6.75%精度提升，单帧处理时间<19ms，满足自动驾驶高实时性需求。紧耦合系统不仅提升运动畸变补偿精度，还能在激光特征缺失时（如隧道、浓雾）维持短期定位，大幅增强系统鲁棒性。

4.2 新型特征表达与深度学习方法

• 高度特征融合：SC回环检测算法引入扫描上下文描述子（Scan Context），通过点云环形分割和深度编码生成旋转不变描述符，显著提升回环检测召回率。

• 深度特征提取：基于CNN的DFuseNet利用上下文线索对稀疏激光测量上采样，实现密集深度估计；CalibNet则通过自监督学习实现激光-相机外参在线标定。

• 端到端里程计：单目VIO端到端网络，直接融合图像与IMU原始数据，为激光SLAM提供新思路。

4.3 大规模建图优化技术

• 分层地图管理：Google Cartographer的子地图策略已被广泛采纳，结合多分辨率表示和滑动窗口优化，有效平衡计算负载与全局一致性。

• 分布式架构：针对超大场景（>10km²），分布式SLAM将地图分区并部署于多台服务器，通过位姿图协同优化维持全局一致，典型应用包括自动驾驶高精地图构建。

• 语义辅助回环：结合视觉语义信息（如交通标志、建筑入口）生成语义描述子，解决几何相似场景的歧义问题，在城市峡谷等挑战环境中提升检测精度。

4.4 先进优化理论应用

• 随机有限集理论：RB-PHD-SLAM将环境建模为随机有限集，避免传统数据关联难题，显著提升动态环境鲁棒性。

• 流形优化：采用李群流形上的优化方法解决三维旋转的非线性问题，提升位姿估计收敛性和精度。

• 鲁棒核函数：引入Huber、Cauchy等M估计核函数抑制回环误匹配影响，增强系统抗干扰能力。

4.5 实际应用挑战与解决方案

• 、

• 退化环境应对：在隧道、长走廊等几何特征缺失场景，引入IMU方位约束或轮式里程计辅助定位。

• 多平台适配：针对无人机、AGV等不同运动特性，定制运动模型和优化权重。如无人机SLAM需加强竖直方向约束。

五、 总结与未来方向

  激光SLAM经过二十年发展，已形成从基础理论到工程实践的完整体系。其基本流程可抽象为前端里程计（帧间位姿估计）、后端优化（全局误差消除）、回环检测（重访位置识别）和地图管理（环境表示）四个核心环节。随着LOAM系列、Cartographer等里程碑工作的出现，激光SLAM在精度、鲁棒性和效率方面取得显著突破。

  未来激光SLAM研究将向以下方向发展：

5.1 多模态深度融合

  从松耦合到紧耦合，激光-视觉-惯性导航的深度融合将突破单一传感器局限。如Vins-LiDAR等融合框架正成为研究热点。

5.2 自适应特征学习

  基于深度学习的特征提取与匹配将替代手工设计特征，提升算法泛化能力。PointNet++等网络在点云特征学习的应用已展现出潜力。

5.3 语义SLAM升级

  从几何地图到语义地图的转变，赋予机器人高层环境理解能力。Panoptic-SLAM等系统尝试联合优化几何与语义信息。

5.4 大规模部署优化

  向智慧城市级应用，分布式SLAM架构与轻量化地图表示将成为必需。

5.5 动态场景适应

  结合在线学习与预测模型，提升动态环境下的建图稳定性。

---

  在自动驾驶、移动机器人、无人机、测绘等领域的强劲需求驱动下，激光SLAM技术将持续向高精度、强鲁棒、全场景方向演进，为智能机器的环境感知与自主决策提供核心支撑。同时，随着硬件成本降低（如固态激光雷达普及）和算法效率提升，激光SLAM将从专业领域走向大众应用，成为智能时代的空间感知基础设施。