什么是SLAM？　Physical AI的第一步，是知道自己在哪里

上一篇谈到自动化与自主性的差别，自动化把不确定性从环境里移除，自主性需要系统在复杂环境中运作，两者最大的差异，是自主机器人得走进没有事先整理过的环境中完成工作，机器得知道自己在哪里、周围环境状况，还要在执行任务的同时，安全、有效率地在场域中移動。

背后的关键技术，是SLAM（Simultaneous Localization and Mapping），机器要一边定位，一边把环境画成地图。

自驾产业是最早把高精地图变成关键元件的产业之一。许多无人出租車进入一个新城市时，第一件事仍是先完成街道测绘，建立地区（高精）地图后才开始营运。

地图要多精细是一个成本问题。车辆定位，可以只保留道路曲率、车道线、路标、号志或路缘等少数稳定特征，让车辆拿眼前看到的特征与地图对位；也可以更细致地把车道线、路缘、号志、与街景都定位到厘米级。愈精细，定位愈准，维护成本也愈高。量产车开发实务中，图的更新频率是关键，而施工、标线重画、号志调整甚至车祸随时在发生，地图一旧反而会引发自驾导航风险。

另外是谁来更新。早期地图靠专用测绘车（配备昂贵定位设备），一条路一条路测绘，巷弄密集更费时，更新频率决定新鲜度，成本与涵盖范围、频率成正比。后来导入分散式（crowd-sourcing）的做法，让已经在路上跑的量产车顺手做，行驶中回传道路特征，每臺车每公里约几KB，1年约几百MB，后端把众多车辆的信息融合拼出道路结构。车愈多扫过，地图品质愈好。

那机器人呢？如何定位，如何动态建图，还有哪些全新应用？

问题是，要定位，得先有图；要画图，又得先知道自己在哪里（而且室内不能用卫星信號定位）。两件事互相依赖，像是鸡生蛋、蛋生鸡。SLAM针对这个问题，同时估算两者，边走边修，这个概念1980年代后期提出，1990年代中期定名，到现在40年。

机器先从连续的画面或点云估算自己移动了多少，这一步的误差会累积，走得愈远偏得愈多。所以还要能认出「我回到刚才来过的地方」，一旦认出来，累积的偏差就能一次修正，再把沿路所有位置和观测一起重新最佳化，让前面累积的误差重新分配；在视觉SLAM里，常见的做法就是bundle adjustment。重新开机或搬移之后，机器还得在既有地图里重新定位。这几件事分别叫做里程计（odometry）、回路闭合（loop closure）与重定位（relocalization），要长时间、大范围运作，通常得三者一起解决。

要多准，傳感器的信號也扮演关键角色。激光雷達直接量到距离，几何结构最明确，定位通常也较容易；鏡頭便宜且信息丰富，但深度需要额外估计。深度鏡頭每个像素都有距离，有效范围却多半在几米内，室外也容易受光线干扰。实际的系统几乎都是混用，再补上轮速。

高度是另一个长期被忽略的问题。早期室内SLAM常见的做法，是把环境简化成一张二维地图，只记录同一个平面上有没有障碍物，当成整个空间能不能走的依据，对轮式机器人够用，因为它只在同一个楼层的地面上移动。当机器人的移动自由度开展，上坡、跨门槛、爬楼梯、完成抓取任务之后，这个假设就不管用了，能不能踩、碰撞，都得从立体结构判断。地图因此得从二维变成3D，傳感器与运算也跟著加重，避障也得算进高度，毕竟真实环境不是干净、规整的，桌面上有杯子，地上散落著鞋子。

更大的变化是地图的表示方式正在改变。传统SLAM多半记录稀疏特征或几何结构，神经辐射场（NeRF）与3D Gaussian Splatting（3DGS）等新的场景表示方法，则让机器开始保存更完整的3D外观与空间信息；与SLAM结合后，一般鏡頭也能在移动过程中逐步建立细致的3D场景。我们在2023年就用单眼鏡頭做过这件事，而且不必为每个场景预先训练。

新一代SLAM纪录下的，不再只是2D照片或没有空间结构的视讯，而是數字化的3D环境。密集的3D图有很多非常有潜力的运用，特别是加上推理能力，但这些运算多半得放在机器人身上完成，边缘端的算力与储存还是限制，例如工地或产线的进度比对、资产盘点与异常侦测、生成训练數據，或是产生數字分身。因此，Physical AI时代重新看SLAM，重点已经不只是「怎么把图画准」，而是「怎么把真实世界变成AI可以持续读取、更新与推理的空间记忆」，这是下一篇要谈的重点。

图建好了，然后呢？传统SLAM的任务到这里差不多就完成，地图交给路径规划，机器人照著走。对Physical AI来说，这才是开始。导航、记忆，以及推理等各种自主效能力，都要从这张图长出来。