同步定位与建图

同步定位与建图（Simultaneous Localization and Mapping，简称 SLAM）是自动驾驶汽车、高级辅助驾驶系统（ADAS）及移动机器人实现自主导航的核心算法技术。当车辆行驶在未知的环境中时，它无法仅依靠卫星导航（GPS/GNSS）来实现厘米级的精确定位，因为卫星信号在遭遇高楼林立的城市峡谷、隧道或地下停车场时极易发生漂移或丢失。SLAM 技术允许车辆在移动过程中，利用车载传感器（如激光雷达、毫米波雷达、摄像头及惯性测量单元）实时感知周围环境，一边构建周遭的局部高精度地图，一边计算出自身在地图中的精确相对坐标。

核心技术路线与工作原理

SLAM 系统主要分为视觉SLAM（V-SLAM）和激光SLAM（Lidar SLAM）两大主流技术流派。

视觉SLAM 主要依赖高分辨率车载摄像头捕捉环境纹理，通过多帧图像的几何三角测量与特征点匹配来估算运动轨迹，成本较低且语义信息丰富，但对光照条件变化较为敏感。激光SLAM 则通过高速旋转的激光雷达发射激光束，利用测距原理生成稠密的“点云”三维空间几何结构图，具有极高的测距精度和全天候作业能力。在实际的高阶自动驾驶应用中，往往采用多传感器融合（Sensor Fusion）方案，将激光、视觉与 IMU（惯性传感器）的数据进行紧密耦合，以确保在复杂动态环境下的定位冗余与高可靠性。

应用场景与市场价值

SLAM 技术是汽车实现高级别自动驾驶（如高速/城市导航辅助驾驶、全自动泊车 APA 及无人代客泊车 AVP）的底层技术基石。

在地下车库或没有卫星信号覆盖的封闭区域，车辆无法依赖高精地图进行传统导航。此时，车载 SLAM 系统能够现场动态构建周围停车场柱子、墙壁及车位的实时地图，引导车辆安全无误地避开障碍物并精准停入车位。它赋予了智能汽车在“无图”或卫星信号恶劣区域的自主独立生存与精准导航能力。

安全规范与物理限制 

严禁在恶劣极端天气（如暴雨、浓雾、大雪）或传感器视场角被严重遮挡污染时，盲目依赖 SLAM 算法进行高危自动驾驶导航：

SLAM 算法高度依赖传感器对环境特征的稳定捕捉。当镜头被泥泞遮挡或激光雷达因大雪冰冻无法正常发射接收时，算法会出现特征点丢失或错误匹配，导致定位漂移或建图失效。驾驶员必须随时保持警惕，准备在系统发出传感器受阻警告时接管车辆。

严禁在动态环境严重干扰（如车库内频繁有大量行人、移动车辆穿梭）的情况下，忽视 SLAM 算法对运动物体的滤除缺陷： 

传统的 SLAM 算法在初期假设环境是静态的。如果周围存在大量高速移动的干扰物体，算法极易将动态物体错误误判为静态地图特征，导致定位轨迹发生严重畸变。高阶自动驾驶系统必须配合深度学习与动态目标剔除机制，确保复杂人车混行环境下的定位安全。