SLAM

3 秒看懂

SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）是使自主移动系统在未知环境中，一边估计自身位姿（位置+姿态），一边实时构建环境地图的算法框架。它回答了两个根本问题：“我在哪？”和“周围世界是什么样？”，是移动机器人、自动驾驶、AR/VR 等领域的核心感知技术。

3 分钟产业解释

任何需要“自主移动”的智能体，都必须持续解决定位与建图这两个强耦合问题。SLAM 就是同时攻克二者的技术方案，被称为移动机器人和自动驾驶的“小脑一级”能力。

• 核心价值：向下融合多传感器（激光雷达、摄像头、IMU、轮速计等），向上为路径规划、自主导航、动态避障、人机交互等提供实时、一致的空间基准和时间戳对齐。
• 产业链位置：处于“感知层”与“决策层”之间。上游是传感器、算力芯片和算法库；中游是 SLAM 系统集成与算法授权；下游是自动驾驶、仓储物流机器人、消费级机器人、AR/VR、无人机等终端应用。
• 产业驱动三引擎：自动驾驶等级从 L2+ 向 L3/L4 提升，对定位精度（厘米级）、鲁棒性和失效安全的要求指数级上升；仓储物流自动化在电商和制造业的渗透率持续提高；消费级机器人（扫地机、割草机、陪伴机器人）和空间计算设备（VR/MR 头显）的高速增长，要求低成本、低功耗、高可靠的 SLAM 方案。
• 商业模式：以嵌入式算法授权、软硬一体模组、解决方案项目制为主。纯 SLAM 算法授权收入通常规模有限，更多以“感知定位模块”的形式嵌入整机或自动驾驶系统。

公开信息显示，截至 2025 年第三季度，中国仓储物流移动机器人（AGV/AMR）领域，单机 SLAM 相关软硬件成本（含传感器、板卡、授权）已从 2020 年的数万元下降至万元以内，推动行业出货量连续数年保持 30% 以上的同比增速（中国移动机器人产业联盟，2024 年度报告；高工机器人，2025Q2 数据）。

技术原理

SLAM 本质是一个在线增量式状态估计问题，需要在计算资源有限、传感器噪声存在的条件下，实时求解机器人的全轨迹和地图特征。其概率表述如下：

给定传感器观测序列 z_{1:t} 和控制输入序列 u_{1:t}（或里程计读数），估计机器人轨迹 x_{1:t} 及地图 m 的联合后验概率：

p(x_{1:t}, m \mid z_{1:t}, u_{1:t})

实际工程实现中，主流框架多采用因子图优化来求解最大后验估计：

运动模型：

x_k = f(x_{k-1}, u_k) + w_k

表示从上一时刻位姿 x_{k-1} 经过控制量 u_k（如IMU预积分、轮速推算）到达预测位姿，w_k 为过程噪声。

观测模型：

z_k = h(x_k, m_j) + v_k

表示从位姿 x_k 观测地图特征 m_j 时传感器的期望读数（如重投影像素坐标、激光点距离），v_k 为观测噪声。

全局优化目标（非线性最小二乘）：

\min_{x,m} \sum_{k} \| f(x_{k-1}, u_k) - x_k \|^2_{\Sigma} + \sum_{k,j} \| h(x_k, m_j) - z_k \|^2_{\Sigma'}

其中协方差矩阵 \Sigma, \Sigma' 编码各传感器的不确定度，系统据此自动分配权重。回环检测通过引入非连续时间帧间的强约束，在因子图中添加大边，是消除累积漂移、保证全局一致性的核心机制。

系统架构示意：

graph TD
    A[多传感器数据
Camera / Lidar / IMU / Wheel] --> B{前端 里程计};
    B --> C[特征提取与匹配
视觉特征 / 激光点云配准 / IMU预积分];
    C --> D[帧间相对位姿估计];
    D --> E{后端 全局优化};
    F[回环检测
场景识别 / 位置重识别] --> E;
    E --> G[全局一致轨迹 Pose Graph];
    E --> H[全局一致地图
稀疏 / 稠密 / 语义];
    G --> I[应用层: 规划/控制/交互];
    H --> I;

关键参数

SLAM 系统在实际工程部署和评测中，关注以下核心量化指标，行业内通常通过公开基准数据集（如 KITTI、EuRoC、TUM RGB-D、Hilti SLAM Challenge）进行标准化对比。

1. 定位精度

   • 绝对轨迹误差（Absolute Trajectory Error, ATE）：评估估计轨迹与真值的全局一致性，以均方根误差 (RMSE) 为单位，典型自动驾驶场景要求 <10cm。
   • 相对位姿误差（Relative Pose Error, RPE）：衡量局部漂移速率，常用于评估里程计，以每百米漂移百分比（%）或每帧平移/旋转误差表示。

2. 建图精度与一致性

   • 回环闭合后的全局地图漂移量：闭合大尺度环路后的残余误差，商用 AGV 要求 2cm/m 量级以内（对应 100 米运动漂移 ≤2cm）。
   • 点云对齐精度或重投影误差：用于衡量地图内部一致性，视觉 SLAM 常用 1-2 像素 RMSE 量级。

3. 鲁棒性指标

   • 轨道完整度（Trajectory Completeness）：系统在退化环境下（低纹理、长走廊、浓雾、暴雨）仍能维持定位的路径占比，目标 >95%。
   • 回环检测召回率与准确率：在跨光照、跨季节、动态环境影响下召回真实回环的能力。

4. 实时性

   • 前端处理延迟：从传感器数据到当前位姿输出的端到端延迟，自动驾驶控制闭环通常要求 ≤50ms（2024 年行业惯例）。
   • 后端全局优化耗时：通过增量式优化（iSAM2 等）实现实时或近实时，关键帧数增长到万级以上时优化周期控制在秒级。

5. 计算与内存效率

   • CPU/GPU 占用率：嵌入式平台（如 NVIDIA Orin、高通 SA8295P）上，视觉+IMU 融合 SLAM 模块通常控制在一颗 CPU 核或 GPU 15%-30% 占用。
   • 地图存储：稀疏特征地图通常 MB 级，稠密 3D 地图可能到 GB 级，根据场景规模和长期运行需求设计内存策略。

技术路线

当前工业界和学术界的主流技术路线在多传感器配置、前端方法、优化框架三个维度上呈现多样化，没有“单一路线最优”的结论。

数据口径说明：上表为定性对比。定量结果受评估数据集、传感器型号和参数调优影响极大，行业内尚无统一权威基准给出跨路线间的精确精度数值排名，仅能就典型公开论文结果做定性归纳。

截至 2025 年，工业领域落地规模最大的路线仍是“激光+惯导+里程计”融合方案（叉车 AGV、物流 AMR），视觉惯性紧耦合方案在消费级设备中增长最快（扫地机器人高端线、VR 头显 6DoF inside-out tracking）。

上游

SLAM 系统的上游供应链涵盖传感器、计算平台和基础软件三部分，直接决定系统的性能上限和成本结构。

传感器（2024-2025 年市场数据）：

• 激光雷达：机械式、半固态 (MEMS/转镜)、固态 (Flash/OPA)。据 Yole Group (2024) 统计，2023 年全球车载及工业激光雷达市场规模约 15 亿美元，预计 2028 年达近 70 亿美元，年复合增长率约 35%。国内厂商禾赛科技 2024 年全年出货量超 55 万台（公司财报），速腾聚创 2024 年激光雷达出货约 55 万台（公司公告），二者占据全球 ADAS 激光雷达市场主要份额。
• 摄像头模组：车规级 CMOS 图像传感器由索尼、安森美、豪威科技（韦尔股份）主导。据 TSR (2023) 数据，索尼在车载 CIS 领域市占率超 45%。消费级与机器人摄像头模组供应商分散，均价因规格不同从数元至百元人民币不等。
• IMU/惯性模组：消费级 MEMS-IMU 上游由博世、TDK InvenSense、意法半导体占据，产品价格已降至 1-2 美元量级（2024 年 MEMS 市场追踪数据，公开资料）；工业/战术级 IMU（光纤陀螺等）单价数千至数万美元，用于高性能无人系统。
• GNSS/RTK 模块：高精度定位模组（厘米级）由 u-blox、华大北斗、北云科技等提供，结合地基增强系统实现开阔区域的绝对定位，与 SLAM 形成互补。

算力芯片（2024-2025 年）：

• 车规/机器人 SoC：英伟达 DRIVE Orin（单颗 254 TOPS，据英伟达官方规格）及最新 DRIVE Thor；高通 Snapdragon Ride 平台、8295/8795；地平线征程 5/征程 6；TI TDA4 系列；黑芝麻智能 A1000 Pro。上述平台已实现单芯片集成视觉、激光、融合定位等模块的实时任务调度。
• FPGA：部分低延迟方案（如自动驾驶高速场景的激光前处理）采用 Xilinx（现 AMD）或 Altera（英特尔）FPGA 加速。
• MCU/专用加速器：消费类扫地机器人中，全志、瑞芯微等 SoC 加专用 AI 加速器方案已可承载视觉 SLAM 全链路（2024 年量产方案）。

基础算法与中间件：OpenCV、PCL、Eigen、Ceres Solver、g²o、GTSAM 等开源库构成开发基石，英伟达 Isaac SDK、百度 Apollo 等提供工程化集成框架。

下游

SLAM 的下游应用深度嵌入多个万亿级产业，核心需求是将“自主定位与建图”能力作为标准化模块嵌入终端。

自动驾驶与智能汽车

• Robotaxi/Robotruck：L4 级自动驾驶对定位精度和完好性要求最高，需多模态融合 SLAM 实现城市峡谷、隧道、地下停车场等 GNSS 退化场景的连续厘米级定位。国内代表运营方包括百度萝卜快跑、小马智行、文远知行、AutoX、滴滴自动驾驶等，2024 年 Robotaxi 运营车辆数量及运营城市持续扩大（各公司公告）。
• 乘用车 L2+/高速 NOA：2024 年中国市场 L2 及 L2+ 渗透率超 50%（中国汽车工业协会，2025 年 1 月发布 2024 年数据），视觉+IMU+GNSS 融合的 SLAM 方案成为高精度定位标配，部分方案引入众包地图、记忆泊车等轻地图能力。
• 自主泊车（AVP）：地下停车场等 GNSS 失效场景，视觉+超声波+IMU 组合 SLAM 是量产落地的主要方案。博世、大陆、华为等供应商均已有量产项目。

移动机器人（工业/商用）

• 仓储物流 AGV/AMR：据高工机器人产业研究所 (GGII) 数据，2024 年中国移动机器人（AGV/AMR）销量约 27 万台，市场规模超 260 亿元人民币。激光 SLAM（自然导航）已取代磁条/二维码成为新建项目标配，2024 年占比约 60-70%。
• 商用清洁、配送、巡检：高仙机器人（商用清洁领域，截至 2024 年底累计出货超 5 万台，公司官方）、科沃斯商用、美团无人配送车等均依赖 SLAM 实现作业空间的自适应。
• 协作机械臂+移动底盘复合机器人：SLAM 使“移动操作”成为可能，用于实验室自动化、CNC 上下料、半导体洁净室转运等。

消费电子与空间计算

• 扫地/割草机器人：2024 年全球扫地机器人市场规模超 60 亿美元（IDC，2025Q1 追踪报告），高端旗舰产品全线搭载视觉 SLAM 或激光+视觉融合方案（dToF 激光雷达、RGB 相机、结构光）。
• VR/MR 头显：Meta Quest 系列、Apple Vision Pro、PICO 等均采用视觉惯性 SLAM (Inside-Out Tracking) 实现六自由度头部与手柄追踪。IDC 数据显示 2024 年全球 AR/VR 头显出货量约 980 万台。
• 无人机：大疆等消费及行业无人机广泛使用视觉+IMU+GNSS+激光/超声融合 SLAM 实现悬停、避障、自动返航。

受益公司

本部分梳理在 SLAM 技术链上具有明显卡位优势或直接受益的境内外上市公司和头部非上市公司，依据公开财报、招股书和行业报告，不构成任何投资建议。

上游传感器与模组

• 禾赛科技（HSAI，纳斯达克上市）：2024 年全年激光雷达出货超 55 万台，为 ADAS 和机器人市场主力供应商（公司 2024 年年报）。
• 速腾聚创（2498.HK）：2024 年激光雷达出货量约 55 万台，在车载和机器人领域双向扩展（公司 2024 年业绩公告）。
• 豪威科技（韦尔股份，603501.SH）：全球车载 CIS 主力，量大价低产品线覆盖高级辅助驾驶和机器人视觉定位需求。
• 索尼（6758.T）：车载 CIS 龙头，高端感光芯片被诸多自动驾驶与机器人 SLAM 方案作为主传感器选用。
• 博世、TDK InvenSense：MEMS IMU 全球主力，消费/工业级惯性模组不可绕过的一环。

中游算法与解决方案

• NVIDIA（NVDA，纳斯达克上市）：Isaac Sim + Isaac ROS 构建从仿真到部署的机器人全栈 SDL，Orin/Thor 平台是目前中高端自主移动系统首选计算平台。
• 华为（未上市）：自研 MDC 计算平台及融合定位算法，配合鸿蒙系统及 ADS 智能驾驶解决方案，具备“传感器+计算+算法”全栈能力。
• 百度 Apollo（BIDU，纳斯达克上市，9888.HK）：开放平台提供高精定位与自研 SLAM 算法框架，并通过萝卜快跑积累大规模运营数据。
• 大疆创新（未上市）：无人机及手持稳定器领域的视觉惯性 SLAM 技术全球领先，激光雷达（览沃）亦有布局。
• 高仙机器人（未上市）：商用清洁机器人场景中 SLAM 建图定位的大规模落地案例最多，数据迭代和技术壁垒均较深。
• 灵动科技（未上市）：视觉 AMR 在仓储、制造场景的商业化规模领先，第四代视觉 AMR 已出货多个头部客户项目（公司公布信息）。
• 海康机器人、极智嘉（前者为海康威视，002415.SZ 旗下）：海康机器人的潜伏、叉取、复合机器人在 SLAM 导航方向出货量位居国内第一梯队；极智嘉为全球仓储 AMR 头部，SLAM 自然导航是其核心模块之一。

下游整车厂与自动驾驶

• 特斯拉（TSLA，纳斯达克上市）：纯视觉方案依赖自研实时视觉 SLAM 及特征建图（占用网络路线），为单车技术最深、数据量最大的一家，2024 年 FSD V13 已推送北美超百万辆车（公司 2024Q4 更新）。
• 比亚迪（002594.SZ）、理想（2015.HK）、小鹏（9868.HK） 等头部新势力车企，均通过自研或与供应商合作实现城区 NOA 及自主泊车涉及的融合定位与建图能力。

提醒：以上列示仅反映截至 2025 年第三季度前的公开信息，公司业务发展存在变化风险，不作为买卖股票、基金的交易依据。

市场规模

SLAM 并非一个独立核算的终端市场，而是以“感知定位模块”的形式依附于移动机器人、自动驾驶和空间计算三大终端产品市场。但是可根据搭载 SLAM 的设备数量和平均单价，进行保守与乐观的情景推算。

方法说明：采用“搭载量 × ASP 分摊”的推算法。ASP 中仅计 SLAM 直接相关软硬件增量成本（传感器、计算板卡附加 BOM、算法授权/自研摊销），不含整车/整机其他成本。

移动机器人（AGV/AMR）（来源：GGII，2024 年；中国移动机器人产业联盟）：

• 2024 年中国 AGV/AMR 销量约 27 万台；假设单台 SLAM 软硬件增量成本 0.3-0.8 万元（2024 年交付均价区间），全球销量约 50-60 万台，则：
• SLAM 直接关联成本空间（中国）：8-22 亿元；全球约 15-50 亿元。

扫地机器人（来源：IDC，2024 数据）：

• 2024 年全球出货约 3500 万台，其中搭载视觉或激光 SLAM 的高端机型占比约 30%，对应约 1050 万台。SLAM 增量 BOM 约 20-50 元（包含激光模组、ToF、VSLAM 芯片/授权摊销），保守估算：
• 全球扫地机器人 SLAM 直接关联市场约 2-5 亿元。

自动驾驶乘用车（来源：中汽协，2024；Yole, 2023）：

• 2024 年中国乘用车销量超 2600 万辆，L2+ 渗透率 ~50%，其中约 30% 配备融合定位模组（含高精度 IMU+GNSS+视觉定位），对应约 400 万辆；单车 SLAM 相关 BOM 增量（传感器+板卡+定位软件摊销）约 300-800 元。
• 中国市场空间估算：12-32 亿元。

AR/VR 头显（来源：IDC，2024）：

• 2024 年全球出货约 980 万台，6DoF inside-out tracking 已为标配，单台 SLAM 相关模组（多摄像头+IMU+算法/IP 摊销）占成本约 10-20 美元。
• 全球市场：1-2 亿美元。

综合保守估算（以 2024 年公开数据口径）： 以上四个主要场景 SLAM 直接相关软硬件市场规模合计约 25–45 亿元人民币（中国市场）或 8–12 亿美元（全球市场），且年均增速与下游主机出货量增速高度相关，约 25%-40% 左右（2024-2027 年综合年化，市场研究机构预测区间）。

重要提示：以上估算均基于有限公开数据及合理假设的推算，实际市场体量受终端产品出货、供应链议价和技术方案演进影响，可能与估算存在显著偏差，不可视作精确财务预测。

玩家对比

为客观呈现 SLAM 产业链上不同定位参与者的竞争力差异，选取三类代表性公司进行横向比较。数据来源于各公司官网、年报、公开产品文档及第三方测评（2024–2025 年信息）。

选择视角提示：

• 关注“算法+场景数据”壁垒的机构通常聚焦垂直方案商；关注供应链安全和规模红利者则更审视上游传感器和芯片龙头。
• 直接比较中小型算法公司与全栈巨头并不公平，前者看利润率和细分渗透率，后者看整体交付装车量和生态粘性。

风险

1. 技术路线替代风险：2024-2025 年，特斯拉纯视觉路线持续强势，国内极越（视觉占用网络方案）等跟随，若纯视觉方案持续突破并在 L3/L4 级别获得监管认证，高线数激光雷达在部分车型的搭载率可能承压。激光仅作冗余的趋势会冲击上游激光雷达厂商估值和市场空间预期。

2. 成本与性能平衡风险：机器人行业对整机 BOM 高度敏感，SLAM 成本若不能持续“硬件白菜价+算法摊销极小”路线，诸多理论市场（家用看护、商用配送等）可能因成本过高而渗透缓慢。低端产品出现严重性能妥协，影响行业口碑。

3. 市场碎片化风险：SLAM 系统高度依赖特定场景的特性（语义对象、作业分界、地面材质、动态密度），很难用一套模型无缝覆盖所有下游市场。为某一场景积累的地图和模型对另一场景迁移效用有限，可能导致开发成本线性增长，侵蚀利润。

4. 隐私与数据安全风险：SLAM 实时生成的三维环境地图和语义标签构成敏感地理空间信息，室内地图涉及商业场所、私人住宅的精确结构和内容物。我国已发布《测绘法》《数据安全法》《个人信息保护法》等法规，对高精度地图和空间数据的采集、存储与传输施加严格限制。出海企业需额外应对 GDPR 及各国测绘法规，合规成本上升。

5. 供应链集中风险：高端 IMU、高性能计算芯片以及部分光学模组高度依赖少数几家国际供应商（NVIDIA、索尼、TDK、博世等），地缘贸易摩擦或出口管制变化可能造成关键器件断供或大幅提价。目前公开资料未见国内在高精度车规级 MEMS IMU 上完全对标博世/InvenSense 的成熟大批量替代方案。

6. 长尾场景失效风险：即便在常规场景下 SLAM 精度满足指标，但大量极端情况（暴雨/暴雪中激光点被误读、沙尘覆盖摄像头、无结构特征的开阔雪原视盲、高度运动导致的 IMU 饱和等）仍可能随机出现，导致定位丢失或轨迹错位，对于安全关键系统不可接受。构建全场景无间断的 SLAM 系统仍是行业公认的最高难度挑战。

误读纠偏

市场对 SLAM 存在一些普遍误读，有必要澄清：

• 误读一：“SLAM 等同于建图。” 纠偏：SLAM 的核心特征是“同时”，定位和建图相互依存、互为因果。一个只做定位（基于先验高精地图）或只做建图（采用外部真值辅佐）的系统，不是严格意义上的 SLAM。业界有时将高精地图+在线点云匹配方案也泛称为 SLAM，但严谨来说 SLAM 强调无外部先验地图前提下的首次实时估计。

• 误读二：“深度学习将很快完全取代传统几何 SLAM。” 纠偏：目前工业和量产系统中的最先进范式是“深度特征+几何优化”的混合架构。深度网络用于提升特征提取、深度估计、动态物体识别和回环检测等模块的性能，而因子图优化、边缘化和协方差一致性仍由传统几何方法保证全局收敛性和失败可解释性。短期内看不到纯粹端到端深度 SLAM 在安全攸关场景中替代混合方案的可能。

• 误读三：“视觉 SLAM 一定比激光 SLAM 便宜，且马上能替代。” 纠偏：视觉 SLAM 传感器的 BOM 成本确实低于高线数激光雷达，但在可靠性、精度一致性、弱光/雨雾天气表现上仍逊于融合方案。大量实际部署中，选择“低线数激光+视觉+IMU”轻融合方案来实现性能与成本的平衡，比单一传感器路线更稳健。纯视觉 SLAM 在此刻的工业 AGV 和重型无人车辆上仍不被视作独立导航安全传感器。

• 误读四：“SLAM 已经是一个解决好的问题，没啥新东西可做了。” 纠偏：在约束良好的静态小场景，SLAM 看起来已足够成熟。但在大范围长时间、高度动态、多智能体协同等场景下，Life-long SLAM（终身地图维护与更新）、语义 SLAM、分布式集群 SLAM 等方向的研究依然活跃，失败恢复和长期鲁棒性远未解决。

最新事件跟踪

以下为 2024 年下半年至 2025 年第三季度与SLAM技术和产业高度相关的最新重大事件，按时间倒序排列：

• 2025 年 8 月：高通发布新一代机器人平台 RB6 Gen2，集成视觉-惯性-深度 SLAM 参考设计和 50 TOPS 端侧 NPU 硬件引擎，目标大规模消费级与商用服务机器人，宣称可将 VSLAM 开发周期缩短 6 个月（高通官方新闻）。
• 2025 年 7 月：特斯拉 FSD V13.4 海外更新中，占用网络结合视觉惯性定位的感知建图模块实现显著提升的乡镇窄路处理能力，并增强了“智能召唤”的泊车后低速 SLAM 稳定性（公开北美用户实测及特斯拉 X 平台更新说明）。
• 2025 年 5 月：禾赛科技发布迷你型超广角固态激光雷达 QT系列，专为机器人、AGV 设计，体积缩减至前代 40%，成本进一步下探，可嵌入式与摄像头模组融合，该产品已在多家商用清洁机器人客户进行集成测试（公司产品发布会信息）。
• 2024 年 12 月：地平线征程 6 系列芯片正式出货，单芯片提供最高 560 TOPS 算力，集成的视觉与激光定位管线经优化后，可在低至 10W 的功耗预算下运行实时多模态融合 SLAM（公司公告及 2025 年初量产项目消息）。
• 2024 年 10 月：速腾聚创发布 AC1 智能机器人控制器参考方案，融合激光雷达、视觉和 IMU 的紧耦合 SLAM 一体化模组，量产 BOM 成本目标 ≤300 美元，目标将 AMR 开发门槛大幅降低（公司 2024 年机器人战略发布会）。
• 2024 年 8 月：Meta 于 SIGGRAPH 2024 展示 Project Aria 研究成果，包括新一代的全身运动与场景建图算法，利用头显与辅助可穿戴设备实现大规模室内场景的毫米级动态建图（Meta AI 博客）。

跟踪指标

可通过以下公开数据渠道和高频指标跟踪 SLAM 产业的景气度，所有数据均可从中英文公开信源依法获取：

1. 下游出货量（月度/季度）

   • 中国乘用车 L2/L2+ 渗透率（中国汽车工业协会，月度公告）
   • 中国 AGV/AMR 出货台数及销售额（GGII/中国移动机器人产业联盟，季度/年度）
   • 全球扫地机器人出货量及高端机型占比（IDC、GfK、奥维云网，季度）
   • 全球 VR/AR 头显出货量（IDC，季度）

2. 上游传感器出货与价格（季度/半年）

   • 激光雷达（禾赛、速腾、Luminar）季度出货量、ASP 变动（公司财报/投资者电话会议）
   • 车载 CMOS 图像传感器出货趋势（TSR/Yole 年度，主要厂商季报）
   • MEMS-IMU 价格走势（主要厂商财务与供应链报道，公开追踪）

3. SLAM 算法公开基准进展

   • KITTI、Hilti SLAM Challenge、TUM RGB-D、EuRoC MAV 等基准排行榜更新（每年/每两年）
   • 顶级会议（CVPR、ICCV、ECCV、ICRA、IROS）发表的 SLAM 相关论文数量与方向热词统计

4. 开源社区活跃度

   • GitHub 核心 SLAM 仓库（ORB-SLAM3, VINS-Fusion, LIO-SAM, Kimera, DROID-SLAM 等）的 star 增长、issue 活跃度、版本更新频次
   • NVIDIA Isaac ROS、百度 Apollo 等社区发布版本更新频率与新功能添加情况

5. 行业政策与法规动态

   • 自然资源部/各地测绘局发布的高精度地图及空间数据采集资质、审图号政策
   • UN R155 / ISO 21434 等汽车网络安全法规的 SLAM 系统合规指引更新
   • 个人信息与空间数据跨境传输管理新规（尤其是出海业务频繁的企业）

6. 一级市场融资风向

   • 移动机器人、机器视觉、自动驾驶定位算法公司的大额融资事件（投中、CVSource、清科等）
   • 主要 LP/VC 对“具身智能”和“空间智能”相关标的的布局表态

15. 信源

本概念页使用的全部数据、事件及观点均引自以下公开可查文献及渠道（截至 2025 年 9 月），以供读者自行回溯验证：

学术与教科书

• Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
• 高翔等. (2017). 《视觉SLAM十四讲：从理论到实践》. 电子工业出版社.
• Cadena, C., et al. (2016). Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age. IEEE Transactions on Robotics.

行业市场报告与数据库

• Yole Group. (2024). LiDAR for Automotive and Industrial 2024.
• 高工机器人产业研究所 (GGII). (2025). 《2024年中国移动机器人行业年度报告》.
• 中国移动机器人（AGV/AMR）产业联盟. (2024). 《2024年度中国工业应用移动机器人市场数据》.
• IDC. (2025). Worldwide Quarterly AR/VR Headset Tracker, Q4 2024; Worldwide Quarterly Smart Home Device Tracker, Q4 2024.
• 中国汽车工业协会. (2025). 2024年全年汽车工业经济运行情况（月度数据系列）.
• TSR (Techno Systems Research). (2023). CMOS Image Sensor Market Analysis 2023.

公司公开材料

• 禾赛科技 (Hesai Group). 2024 年第四季度及全年财报 (2025.03 发布).
• 速腾聚创 (RoboSense). 2024 全年业绩公告 (2025.03 发布); 2024 年新产品发布会公开讲话.
• NVIDIA 官方网站及 GTC 相关 Keynote 技术文档（2024-2025）.
• 特斯拉 (Tesla, Inc.). 2024 年季度更新信件及官方 X (原 Twitter) 账号推送.
• 地平线 (Horizon Robotics). 征程 6 产品发布会及后续客户公告 (2024.12).
• 高通 (Qualcomm). RB6 Gen 2 机器人平台新闻发布 (2025.08).
• Meta AI Blog. 相关 Project Aria 研究更新 (2024.08).

新闻与标准

• 国家层面的《测绘法》《数据安全法》《个人信息保护法》等法规文本及自然资源部规范性文件。
• UNECE, UN Regulation No. 155 - Cyber security and cyber security management system.
• ISO/SAE, ISO 21434:2021 Road vehicles — Cybersecurity engineering.