目前在资本市场，各类机器视觉与激光雷达一片火热。

    SLAM（Simultaneous Localization And Mapping），即同时定位与地图构建， SLAM技术对于机器人或其他智能体的行动和交互能力至为关键，因为它代表了这种能力的基础：知道自己在哪里，知道周围环境如何，进而知道下一步该如何自主行动。可以说凡是拥有一定行动能力的智能体都拥有某种形式的SLAM系统。

    这种能力可以描述为：将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边逐步描绘出此环境完全的地图，同时一边决定机器人应该往哪个方向行进。例如扫地机器人就是一个很典型的SLAM问题，所谓完全的地图（a consistent map）是指不受障碍行进到房间可进入的每个角落。SLAM最早由Smith、Self和Cheeseman于1988年提出。由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。

    当你来到一个陌生的环境时，为了迅速熟悉环境并完成自己的任务（比如找饭馆，找旅馆），你应当做以下事情：

    a.用眼睛观察周围地标如建筑、大树、花坛等，并记住他们的特征（特征提取）

    b.在自己的脑海中，根据双目获得的信息，把特征地标在三维地图中重建出来（三维重建）

    c.当自己在行走时，不断获取新的特征地标，并且校正自己头脑中的地图模型（bundle adjustment or EKF）

    d.根据自己前一段时间行走获得的特征地标，确定自己的位置（trajectory）

    e.当无意中走了很长一段路的时候，和脑海中的以往地标进行匹配，看一看是否走回了原路（loop-closure detection）。实际这一步可有可无。

    以上五步是同时进行的，因此是simultaneous localization and mapping。

    在未来的各类SLAM算法导航中，基于激光雷达的激光SLAM和基于机器视觉的视觉SLAM（VSLAM）是两种研究最多、最可能大规模落地应用的SLAM，基本代表着第三代AGV导航技术的发展方向。

    在这两种SLAM导航方式中，目前应用较多的是激光SLAM，激光SLAM脱胎于早期的基于测距的定位方法(如超声和红外单点测距)。激光雷达距离测量比较准确，误差模型简单，在强光直射以外的环境中运行稳定，反馈信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。激光SLAM理论研究也相对成熟，落地产品更丰富。

    VSLAM，它可以从环境中获取海量的、富于冗余的纹理信息，拥有超强的场景辨识能力。早期的视觉SLAM基于滤波理论，其非线性的误差模型和巨大的计算量成为了它实用落地的障碍。近年来，随着具有稀疏性的非线性优化理论(Bundle Adjustment)以及相机技术、计算性能的进步，实时运行的视觉SLAM已经不再是梦想。