SLAM的感知与控制技术详解

SLAM 的感知与控制技术详解

概述

SLAM(Simultaneous Localization and Mapping，同步定位与地图构建)，核心是机器人在未知环境中，依靠机载传感器感知环境，一边估计自身位姿(定位)，一边增量式构建环境地图。 感知模块负责获取环境、自身运动信息，输出机器人位姿与地图;控制模块接收 SLAM 输出的位姿 / 地图，完成路径规划、轨迹跟踪、运动执行、安全避障。二者构成闭环：感知给控制提供状态反馈，控制的运动又会改变感知采集的数据。

一句话：感知解决 “我在哪、周围是什么”;控制解决 “我该怎么移动到目标点”。

一、SLAM 感知技术(核心：传感器 + 算法流水线)

感知是 SLAM 的基础，分为本体感知(内感受)和环境感知(外感受)，现代 SLAM 普遍采用多传感器融合提升鲁棒性。

1. 主流感知传感器

(1)环境感知传感器

激光雷达 LiDAR 2D 单线激光：扫地机器人，获取平面点云，构建二维栅格地图;不受光照影响，几何精度高。 3D 多线 / 固态激光：无人车、移动机器人、无人机，输出三维点云;缺点：成本高，玻璃、镜面易产生反射噪声。算法：激光 SLAM 核心是点云配准(ICP、NDT)，将连续两帧点云对齐求解相对位姿。

相机(视觉 VSLAM)

单目：成本最低，但是尺度不确定，无法直接得到真实距离;

双目：模拟人眼，三角测量直接计算深度;

RGB-D 深度相机：直接输出彩色图像 + 深度，室内效果好，室外强光失效。优势：纹理、语义信息丰富;缺点：光照变化、弱纹理、运动模糊容易失效。

毫米波雷达 雨雪雾、暗光环境稳定，可获取目标速度;点云稀疏，适合辅助融合。

(2)本体感知传感器(测量机器人自身运动)

IMU 惯性测量单元：陀螺仪 + 加速度计，高频输出角速度、加速度;短期运动估计稳定，长时间会漂移。VIO 视觉惯性、LIO 激光惯性融合的核心器件。

轮式里程计：轮子编码器，计算轮速;打滑时误差巨大，一般作为辅助。

GNSS/RTK：室外全局定位，室内失效，常和 SLAM 融合修正漂移。

2. SLAM 感知算法流水线(前端 + 后端 + 回环检测)

(1)前端(里程计，实时运动估计)

前端是感知的实时处理单元，高频运行，估算相邻两帧之间机器人相对运动。

视觉前端：提取 ORB/SIFT/ 光流特征，匹配特征点，通过对极几何求解相机位姿;

激光前端：点云配准，匹配当前帧点云和上一帧地图点云，得到相对位姿;

VIO/LIO 紧耦合前端：IMU 预积分，把惯性约束和视觉 / 激光观测联合求解，解决快速旋转、短暂遮挡问题。

缺陷：前端只做相邻帧匹配，误差随行程不断累积，产生漂移。

(2)后端(全局优化，消除漂移)

后端以较低频率运行，把前端所有位姿、特征 / 点云约束放到统一数学框架优化，得到全局一致轨迹与地图。

滤波方案(早期)：EKF 扩展卡尔曼滤波、粒子滤波，适合算力低平台;缺点：长期大规模地图一致性差;

图优化 / 因子图(现代主流)：Pose Graph、BA 光束平差，把机器人每一个位姿作为节点，观测作为约束边，最小化整体误差。代表：ORB-SLAM3、LIO-SAM。

(3)回环检测(Loop Closure)

专门识别 “机器人回到曾经访问过的地点”，给后端增加强约束，大幅度修正长期漂移。

视觉回环：词袋模型 BoW、深度学习特征(NetVLAD)图像检索;

激光回环：点云描述子匹配;回环成功后触发后端全局优化，校正整条轨迹和地图。

(4)地图表达(感知输出成果)

稀疏特征地图：VSLAM 常用，存储特征点，轻量化，用于定位;

稠密 / 半稠密点云地图：3D 重建，用于可视化、避障;

栅格地图(Occupancy Grid)：2D 激光 SLAM，区分占用 / 空闲 / 未知，路径规划最常用;

语义地图：融合图像分割，区分人、门、桌子等物体，面向具身智能。

3. 感知核心痛点

传感器噪声、运动畸变、动态物体(行人)干扰;

弱纹理 / 几何退化场景(白墙、长走廊)观测失效;

尺度漂移、累计误差;

多传感器时间同步 + 外参标定难度高，标定不准会直接降低定位精度。

二、SLAM 控制技术(基于感知位姿，实现自主运动)

SLAM 输出机器人当前位姿 + 环境地图，作为导航控制模块的反馈输入。完整控制链路：SLAM 位姿输出 → 全局路径规划 → 局部避障规划 → 运动控制器 → 电机执行。

1. 分层控制架构(主流)

上层：规划层(决策)

全局路径规划：基于建好的静态地图，在已知环境中搜索一条从起点到目标的无碰撞最优路径。经典算法：A*、Dijkstra、RRT。

局部轨迹规划：应对动态障碍物，在机器人附近实时生成平滑轨迹，避开突然出现的人和物体。算法：DWA 动态窗口法、TEB。

中层：轨迹跟踪控制(核心控制算法)

接收规划输出的目标轨迹，对比 SLAM 反馈的当前实际位姿，计算控制指令(线速度、角速度)，让机器人贴合目标轨迹行进。

PID：最普及，简单稳定，扫地机、AGV 大量使用;分为位置环、速度环串级 PID;

纯追踪 Pure Pursuit：差速轮、阿克曼小车经典路径跟踪;

MPC 模型预测控制：滚动优化，可考虑机器人动力学约束，自动驾驶、人形机器人常用;

滑模控制、自适应控制：非线性场景、模型参数不确定场景;

强化学习控制：复杂动态环境，处理模型难以精确建模的场景。

底层：执行层(电机伺服控制)

将上层的速度指令转换成电机 PWM/FOC 驱动信号，控制轮子、云台、飞行器电机。

感知(SLAM)提供反馈，形成闭环控制;如果没有 SLAM 位姿反馈，就是开环运动，位置会持续跑偏。

2. 主动 SLAM(感知与控制深度耦合)

传统 SLAM 是被动感知：机器人随便走，传感器被动采集环境。 Active SLAM 主动 SLAM：控制模块主动规划运动方向，选择能获取最大环境信息增益的移动策略，专门去往特征丰富区域，减少定位漂移，加速建图。典型场景：探索未知房间、无人机自主测绘;控制器不再只负责到目标点，同时为 SLAM 感知服务。

3. 安全控制：动态避障

利用 SLAM 点云 / 栅格地图实时检测障碍物，一旦检测碰撞风险，控制器紧急降速、停机或绕行。难点：区分静态墙体和动态移动行人，避免误触发。

三、感知与控制的耦合关系

感知影响控制：SLAM 定位误差大、丢失位姿，轨迹跟踪直接失效，机器人迷路;动态物体被 SLAM 当成静态障碍物，会导致错误避障。

控制影响感知：剧烈旋转、急停、打滑会造成图像模糊、点云畸变，前端里程计失效;运动策略会直接改变传感器观测质量。

系统调试逻辑：先把感知定位精度做稳定，再调试控制跟踪;如果 SLAM 漂移严重，调再好的控制器也无法稳定导航。

四、典型应用场景

室内移动机器人：扫地机、仓储 AGV，2D 激光 SLAM+DWA/PID;

无人机测绘：VIO/LIO 视觉 / 激光惯性 SLAM+MPC 飞控;

自动驾驶：激光 + 视觉 + GNSS 融合 SLAM，做高精地图与定位;

人形机器人：VSLAM + 语义感知，全身运动控制。

五、当前技术难点与发展趋势

现存难点

动态环境鲁棒性差：行人移动干扰 SLAM 定位;

长时间大规模场景漂移、重定位困难;

感知算力高，端侧嵌入式平台部署困难;

机器人动力学模型不准，轨迹跟踪控制精度受限。

发展趋势

多传感器深度紧耦合：LIO/VIO 成为标配;

SLAM + 语义融合：不只重建几何，识别物体，支持更高阶智能交互;

感知 - 控制一体化(主动 SLAM)，机器人主动选择观测视角;

大模型辅助 SLAM：大模型做场景识别、动态物体剔除、回环识别;

端侧轻量化 SLAM，降低算力消耗，适配人形机器人、小型机器人。

六、总结

SLAM 感知的本质是概率状态估计，依靠多传感器观测求解机器人位姿与环境结构;SLAM 控制则基于感知输出完成路径规划与运动跟踪。感知回答环境是什么、我在哪里;控制回答如何安全移动。二者不是独立模块，而是强耦合闭环系统。未来 SLAM 不再只是单纯建图定位，而是作为具身智能机器人的空间感知底座，支撑机器人理解空间并自主行动。