SLAM

3 秒看懂

SLAM（Simultaneous Localization and Mapping，同時定位與地圖建置）是使自主移動系統在未知環境中，一邊估計自身位姿（位置+姿態），一邊即時建置環境地圖的演算法架構。它回答了兩個根本問題：“我在哪？”和“周圍世界是什麼樣？”，是移動機器人、自動駕駛、AR/VR 等領域的核心感知技術。

3 分鐘產業解釋

任何需要“自主移動”的智慧代理，都必須持續解決定位與建圖這兩個強耦合問題。SLAM 就是同時攻克二者的技術方案，被稱為移動機器人和自動駕駛的“小腦一級”能力。

• 核心價值：向下融合多感測器（雷射雷達、攝像頭、IMU、輪速計等），向上為路徑規劃、自主導航、動態避障、人機互動等提供即時、一致的空間基準和時間戳對齊。
• 產業鏈位置：處於“感知層”與“決策層”之間。上游是感測器、算力晶片和演算法庫；中游是 SLAM 系統整合與演算法授權；下游是自動駕駛、倉儲物流機器人、消費級機器人、AR/VR、無人機等終端應用。
• 產業驅動三引擎：自動駕駛等級從 L2+ 向 L3/L4 提升，對定位精度（釐米級）、魯棒性和失效安全的要求指數級上升；倉儲物流自動化在電商和製造業的滲透率持續提高；消費級機器人（掃地機、割草機、陪伴機器人）和空間計算裝置（VR/MR 頭顯）的高速增長，要求低成本、低功耗、高可靠的 SLAM 方案。
• 商業模式：以嵌入式演算法授權、軟硬一體模組、解決方案專案製為主。純 SLAM 演算法授權營收通常規模有限，更多以“感知定位模組”的形式嵌入整機或自動駕駛系統。

公開資訊顯示，截至 2025 年第三季度，中國倉儲物流移動機器人（AGV/AMR）領域，單機 SLAM 相關軟硬體成本（含感測器、板卡、授權）已從 2020 年的數萬元下降至萬元以內，推動行業出貨量連續數年保持 30% 以上的年增率增速（中國移動機器人產業聯盟，2024 年度報告；高工機器人，2025Q2 資料）。

技術原理

SLAM 本質是一個線上增量式狀態估計問題，需要在計算資源有限、感測器噪聲存在的條件下，即時求解機器人的全軌跡和地圖特徵。其機率表述如下：

給定感測器觀測序列 z_{1:t} 和控制輸入序列 u_{1:t}（或里程計讀數），估計機器人軌跡 x_{1:t} 及地圖 m 的聯合後驗機率：

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

實際工程實現中，主流架構多采用因子圖最佳化來求解最大後驗估計：

運動模型：

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

表示從上一時刻位姿 x_{k-1} 經過控制量 u_k（如IMU預積分、輪速推算）到達預測位姿，w_k 為過程噪聲。

觀測模型：

z_k = h(x_k, m_j) + v_k

表示從位姿 x_k 觀測地圖特徵 m_j 時感測器的期望讀數（如重投影畫素座標、雷射點距離），v_k 為觀測噪聲。

全域性最佳化目標（非線性最小二乘）：

\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'}

其中協方差矩陣 \Sigma, \Sigma' 編碼各感測器的不確定度，系統據此自動分配權重。迴環檢測通過引入非連續時間幀間的強約束，在因子圖中新增大邊，是消除累積漂移、保證全域性一致性的核心機制。

系統架構示意：

graph TD
    A[多感測器資料
Camera / Lidar / IMU / Wheel] --> B{前端 里程計};
    B --> C[特徵提取與匹配
視覺特徵 / 雷射點雲端配準 / IMU預積分];
    C --> D[幀間相對位姿估計];
    D --> E{後端 全域性最佳化};
    F[迴環檢測
場景識別 / 位置重識別] --> E;
    E --> G[全域性一致軌跡 Pose Graph];
    E --> H[全域性一致地圖
稀疏 / 稠密 / 語義];
    G --> I[應用層: 規劃/控制/互動];
    H --> I;

關鍵引數

SLAM 系統在實際工程部署和評測中，關注以下核心量化指標，行業內通常通過公開基準資料集（如 KITTI、EuRoC、TUM RGB-D、Hilti SLAM Challenge）進行標準化對比。

1. 定位精度

   • 絕對軌跡誤差（Absolute Trajectory Error, ATE）：評估估計軌跡與真值的全域性一致性，以均方根誤差 (RMSE) 為單位，典型自動駕駛場景要求 <10cm。
   • 相對位姿誤差（Relative Pose Error, RPE）：衡量區域性漂移速率，常用於評估里程計，以每百米漂移百分比（%）或每幀平移/旋轉誤差表示。

2. 建圖精度與一致性

   • 迴環閉合後的全域性地圖漂移量：閉合大尺度環路後的殘餘誤差，商用 AGV 要求 2cm/m 量級以內（對應 100 米運動漂移 ≤2cm）。
   • 點雲端對齊精度或重投影誤差：用於衡量地圖內部一致性，視覺 SLAM 常用 1-2 畫素 RMSE 量級。

3. 魯棒性指標

   • 軌道完整度（Trajectory Completeness）：系統在退化環境下（低紋理、長走廊、濃霧、暴雨）仍能維持定位的路徑佔比，目標 >95%。
   • 迴環檢測召回率與準確率：在跨光照、跨季節、動態環境影響下召回真實迴環的能力。

4. 即時性

   • 前端處理延遲：從感測器資料到當前位姿輸出的端到端延遲，自動駕駛控制閉環通常要求 ≤50ms（2024 年行業慣例）。
   • 後端全域性最佳化耗時：通過增量式最佳化（iSAM2 等）實現即時或近即時，關鍵幀數增長到萬級以上時最佳化週期控制在秒級。

5. 計算與記憶體效率

   • CPU/GPU 佔用率：嵌入式平台（如 NVIDIA Orin、高通 SA8295P）上，視覺+IMU 融合 SLAM 模組通常控制在一顆 CPU 核或 GPU 15%-30% 佔用。
   • 地圖儲存：稀疏特徵地圖通常 MB 級，稠密 3D 地圖可能到 GB 級，根據場景規模和長期執行需求設計記憶體策略。

技術路線

當前工業界和學術界的主流技術路線在多感測器配置、前端方法、最佳化架構三個維度上呈現多樣化，沒有“單一路線最優”的結論。

技術路線	典型感測器	核心前端方法	精度與魯棒性	計算負載	典型適用場景
視覺特徵法	單目/雙目/RGB-D 相機	特徵提取（ORB/SIFT/SuperPoint）+ 描述子匹配	中高（依賴紋理，快速運動中易丟失）	中	室內外通用，AR/VR，無人機，家庭機器人
視覺直接法/半直接法	單目/雙目/事件相機	最小化畫素光度誤差	中高（可在低紋理場景工作，對光照變化較敏感）	較高	高速運動場景，光照受控的室內環境
雷射 SLAM	2D/3D 雷射雷達	點雲端匹配 (ICP/NDT) + 分支定界	高（測距精度高，不受光照影響，退化場景需額外處理）	中～高	L4 自動駕駛，工業 AGV，大型室內物流
視覺-慣性緊耦合	相機 + IMU	預積分 + 影像特徵/光度約束 + IMU 殘差聯合最佳化	較高（IMU 彌補視覺快速運動與短時遮擋）	中高	無人機，AR/VR 頭顯，手機 VPS
多模態融合	相機+LiDAR+IMU+GNSS	多層緊耦合因子圖最佳化	極高（冗餘互補，失效模式交叉覆蓋）	高～極高	L4/L5 自動駕駛，礦山/港口無人駕駛
端到端學習 SLAM	相機/視覺慣性	深度神經網路直接預測位姿/深度/迴環	泛化性有挑戰，精度在基準資料集中逼近傳統方法	極高（推論時需 GPU）	前沿研究，特定結構化場景

資料口徑說明：上表為定性對比。定量結果受評估資料集、感測器型號和引數調優影響極大，行業內尚無統一權威基準給出跨路線間的精確精度數值排名，僅能就典型公開論文結果做定性歸納。

截至 2025 年，工業領域落地規模最大的路線仍是“雷射+慣導+里程計”融合方案（叉車 AGV、物流 AMR），視覺慣性緊耦合方案在消費級裝置中增長最快（掃地機器人高階線、VR 頭顯 6DoF inside-out tracking）。

上游

SLAM 系統的上游供應鏈涵蓋感測器、計算平台和基礎軟體三部分，直接決定系統的效能上限和成本結構。

感測器（2024-2025 年市場資料）：

• 雷射雷達：機械式、半固態 (MEMS/轉鏡)、固態 (Flash/OPA)。據 Yole Group (2024) 統計，2023 年全球車載及工業雷射雷達市場規模約 15 億美元，預計 2028 年達近 70 億美元，年複合增長率約 35%。國內廠商禾賽科技 2024 年全年出貨量超 55 萬臺（公司財報），速騰聚創 2024 年雷射雷達出貨約 55 萬臺（公司公告），二者佔據全球 ADAS 雷射雷達市場主要份額。
• 攝像頭模組：車規級 CMOS 影像感測器由索尼、安森美、豪威科技（韋爾股份）主導。據 TSR (2023) 資料，索尼在車載 CIS 領域市佔率超 45%。消費級與機器人攝像頭模組供應商分散，均價因規格不同從數元至百元人民幣不等。
• IMU/慣性模組：消費級 MEMS-IMU 上游由博世、TDK InvenSense、意法半導體佔據，產品價格已降至 1-2 美元量級（2024 年 MEMS 市場追蹤資料，公開資料）；工業/戰術級 IMU（光纖陀螺等）單價數千至數萬美元，用於高效能無人系統。
• GNSS/RTK 模組：高精度定位模組（釐米級）由 u-blox、華大北斗、北雲端科技等提供，結合地基增強系統實現開闊區域的絕對定位，與 SLAM 形成互補。

算力晶片（2024-2025 年）：

• 車規/機器人 SoC：輝達 DRIVE Orin（單顆 254 TOPS，據輝達官方規格）及最新 DRIVE Thor；高通 Snapdragon Ride 平台、8295/8795；地平線征程 5/征程 6；TI TDA4 系列；黑芝麻智慧 A1000 Pro。上述平台已實現單晶片整合視覺、雷射、融合定位等模組的即時任務排程。
• FPGA：部分低延遲方案（如自動駕駛高速場景的雷射前處理）採用 Xilinx（現 AMD）或 Altera（英特爾）FPGA 加速。
• MCU/專用加速器：消費類掃地機器人中，全志、瑞芯微等 SoC 加專用 AI 加速器方案已可承載視覺 SLAM 全鏈路（2024 年量產方案）。

基礎演算法與中介軟體：OpenCV、PCL、Eigen、Ceres Solver、g²o、GTSAM 等開源庫構成開發基石，輝達 Isaac SDK、百度 Apollo 等提供工程化整合架構。

下游

SLAM 的下游應用深度嵌入多個萬億級產業，核心需求是將“自主定位與建圖”能力作為標準化模組嵌入終端。

自動駕駛與智慧汽車

• Robotaxi/Robotruck：L4 級自動駕駛對定位精度和完好性要求最高，需多模態融合 SLAM 實現城市峽谷、隧道、地下停車場等 GNSS 退化場景的連續釐米級定位。國內代表運營方包括百度蘿蔔快跑、小馬智行、文遠知行、AutoX、滴滴自動駕駛等，2024 年 Robotaxi 運營車輛數量及運營城市持續擴大（各公司公告）。
• 乘用車 L2+/高速 NOA：2024 年中國市場 L2 及 L2+ 滲透率超 50%（中國汽車工業協會，2025 年 1 月釋出 2024 年資料），視覺+IMU+GNSS 融合的 SLAM 方案成為高精度定位標配，部分方案引入眾包地圖、記憶泊車等輕地圖能力。
• 自主泊車（AVP）：地下停車場等 GNSS 失效場景，視覺+超音波+IMU 組合 SLAM 是量產落地的主要方案。博世、大陸、華為等供應商均已有量產專案。

移動機器人（工業/商用）

• 倉儲物流 AGV/AMR：據高工機器人產業研究所 (GGII) 資料，2024 年中國移動機器人（AGV/AMR）銷量約 27 萬臺，市場規模超 260 億元人民幣。雷射 SLAM（自然導航）已取代磁條/二維碼成為新建專案標配，2024 年佔比約 60-70%。
• 商用清潔、配送、巡檢：高仙機器人（商用清潔領域，截至 2024 年底累計出貨超 5 萬臺，公司官方）、科沃斯商用、美團無人配送車等均依賴 SLAM 實現作業空間的自適應。
• 協作機械臂+移動底盤複合機器人：SLAM 使“移動操作”成為可能，用於實驗室自動化、CNC 上下料、半導體潔淨室轉運等。

消費電子與空間計算

• 掃地/割草機器人：2024 年全球掃地機器人市場規模超 60 億美元（IDC，2025Q1 追蹤報告），高階旗艦產品全線搭載視覺 SLAM 或雷射+視覺融合方案（dToF 雷射雷達、RGB 相機、結構光）。
• VR/MR 頭顯：Meta Quest 系列、Apple Vision Pro、PICO 等均採用視覺慣性 SLAM (Inside-Out Tracking) 實現六自由度頭部與手柄追蹤。IDC 資料顯示 2024 年全球 AR/VR 頭顯出貨量約 980 萬臺。
• 無人機：大疆等消費及行業無人機廣泛使用視覺+IMU+GNSS+雷射/超聲融合 SLAM 實現懸停、避障、自動返航。

受益公司

本部分梳理在 SLAM 技術鏈上具有明顯示卡位優勢或直接受益的境內外上市公司和頭部非上市公司，依據公開財報、招股書和行業報告，不構成任何投資建議。

上游感測器與模組

• 禾賽科技（HSAI，納斯達克上市）：2024 年全年雷射雷達出貨超 55 萬臺，為 ADAS 和機器人市場主力供應商（公司 2024 年年報）。
• 速騰聚創（2498.HK）：2024 年雷射雷達出貨量約 55 萬臺，在車載和機器人領域雙向擴充套件（公司 2024 年業績公告）。
• 豪威科技（韋爾股份，603501.SH）：全球車載 CIS 主力，量大價低產品線覆蓋高階輔助駕駛和機器人視覺定位需求。
• 索尼（6758.T）：車載 CIS 龍頭，高階感光晶片被諸多自動駕駛與機器人 SLAM 方案作為主感測器選用。
• 博世、TDK InvenSense：MEMS IMU 全球主力，消費/工業級慣性模組不可繞過的一環。

中游演算法與解決方案

• NVIDIA（NVDA，納斯達克上市）：Isaac Sim + Isaac ROS 建置從模擬到部署的機器人全棧 SDL，Orin/Thor 平台是目前中高階自主移動系統首選計算平台。
• 華為（未上市）：自研 MDC 計算平台及融合定位演算法，配合鴻蒙系統及 ADS 智慧駕駛解決方案，具備“感測器+計算+演算法”全棧能力。
• 百度 Apollo（BIDU，納斯達克上市，9888.HK）：開放平台提供高精定位與自研 SLAM 演算法架構，並通過蘿蔔快跑積累大規模運營資料。
• 大疆創新（未上市）：無人機及手持穩定器領域的視覺慣性 SLAM 技術全球領先，雷射雷達（覽沃）亦有版面配置。
• 高仙機器人（未上市）：商用清潔機器人場景中 SLAM 建圖定位的大規模落地案例最多，資料迭代和技術壁壘均較深。
• 靈動科技（未上市）：視覺 AMR 在倉儲、製造場景的商業化規模領先，第四代視覺 AMR 已出貨多個頭部客戶專案（公司公佈資訊）。
• 海康機器人、極智嘉（前者為海康威視，002415.SZ 旗下）：海康機器人的潛伏、叉取、複合機器人在 SLAM 導航方向出貨量位居國內第一梯隊；極智嘉為全球倉儲 AMR 頭部，SLAM 自然導航是其核心模組之一。

下游整車廠與自動駕駛

• 特斯拉（TSLA，納斯達克上市）：純視覺方案依賴自研即時視覺 SLAM 及特徵建圖（佔用網路路線），為單車技術最深、資料量最大的一家，2024 年 FSD V13 已推送北美超百萬輛車（公司 2024Q4 更新）。
• 比亞迪（002594.SZ）、理想（2015.HK）、小鵬（9868.HK） 等頭部新勢力車企，均通過自研或與供應商合作實現城區 NOA 及自主泊車涉及的融合定位與建圖能力。

提醒：以上列示僅反映截至 2025 年第三季度前的公開資訊，公司業務發展存在變化風險，不作為買賣股票、基金的交易依據。

市場規模

SLAM 並非一個獨立核算的終端市場，而是以“感知定位模組”的形式依附於移動機器人、自動駕駛和空間計算三大終端產品市場。但是可根據搭載 SLAM 的裝置數量和平均單價，進行保守與樂觀的情景推算。

方法說明：採用“搭載量 × ASP 分攤”的推演算法。ASP 中僅計 SLAM 直接相關軟硬體增量成本（感測器、計算板卡附加 BOM、演算法授權/自研攤銷），不含整車/整機其他成本。

移動機器人（AGV/AMR）（來源：GGII，2024 年；中國移動機器人產業聯盟）：

• 2024 年中國 AGV/AMR 銷量約 27 萬臺；假設單臺 SLAM 軟硬體增量成本 0.3-0.8 萬元（2024 年交付均價區間），全球銷量約 50-60 萬臺，則：
• SLAM 直接關聯成本空間（中國）：8-22 億元；全球約 15-50 億元。

掃地機器人（來源：IDC，2024 資料）：

• 2024 年全球出貨約 3500 萬臺，其中搭載視覺或雷射 SLAM 的高階機型佔比約 30%，對應約 1050 萬臺。SLAM 增量 BOM 約 20-50 元（包含雷射模組、ToF、VSLAM 晶片/授權攤銷），保守估算：
• 全球掃地機器人 SLAM 直接關聯市場約 2-5 億元。

自動駕駛乘用車（來源：中汽協，2024；Yole, 2023）：

• 2024 年中國乘用車銷量超 2600 萬輛，L2+ 滲透率 ~50%，其中約 30% 配備融合定位模組（含高精度 IMU+GNSS+視覺定位），對應約 400 萬輛；單車 SLAM 相關 BOM 增量（感測器+板卡+定位軟體攤銷）約 300-800 元。
• 中國市場空間估算：12-32 億元。

AR/VR 頭顯（來源：IDC，2024）：

• 2024 年全球出貨約 980 萬臺，6DoF inside-out tracking 已為標配，單臺 SLAM 相關模組（多攝像頭+IMU+演算法/IP 攤銷）佔成本約 10-20 美元。
• 全球市場：1-2 億美元。

綜合保守估算（以 2024 年公開資料口徑）： 以上四個主要場景 SLAM 直接相關軟硬體市場規模合計約 25–45 億元人民幣（中國市場）或 8–12 億美元（全球市場），且年均增速與下游主機出貨量增速高度相關，約 25%-40% 左右（2024-2027 年綜合年化，市場研究機構預測區間）。

重要提示：以上估算均基於有限公開資料及合理假設的推算，實際市場體量受終端產品出貨、供應鏈議價和技術方案演進影響，可能與估算存在顯著偏差，不可視作精確財務預測。

玩家對比

為客觀呈現 SLAM 產業鏈上不同定位參與者的競爭力差異，選取三類代表性公司進行橫向比較。資料來源於各公司官網、年報、公開產品文件及第三方測評（2024–2025 年資訊）。

維度	演算法型新創 （如高仙/靈動）	全棧自動駕駛 （如華為/百度）	感測器/算力巨頭 （如禾賽/NVIDIA）
核心優勢	場景垂直深耕，演算法迭代快，成本可控的輕量級部署	多模態緊耦合能力，超大規模資料閉環，車規級安全	掌握物理層/算力層核心供應鏈，效能和價效比主導
技術護城河	特定場景的海量部署資料，對作業流程的深度理解	大算力平台+自研運算元庫+自研融合架構深度繫結的生態	關鍵感測器的效能和成本領先，晶片架構定義權
商業模式	軟硬一體機/模組/解決方案，按臺收取演算法授權	自動駕駛方案授權或 Robotaxi 整車運營	硬體元件銷售，模組/參考設計，開發平台授權
落地規模 （截至 2024）	萬臺級（商用清潔/物流單客戶）	百萬車級（智駕方案上車）；千臺級（Robotaxi 車輛）	禾賽/速騰：年出貨 55萬臺級；NVIDIA Orin 智駕域控累計出貨數百萬顆
SLAM 產品形態	高度模組化，標準化介面，部署後人工/自動增量更新	整車整合系統，雲端端眾包更新，具備工業級安全冗餘	硬體層做好時間同步引擎和底層驅動，配合上層演算法
最大風險	市場空間受單品天花板限制，跨場景拓展難度大	整車合作模式受OEM自研潮流衝擊	技術路線被顛覆（純視覺取消雷射雷達；端側推論降級降低GPU依賴）

選擇視角提示：

• 關注“演算法+場景資料”壁壘的機構通常聚焦垂直方案商；關注供應鏈安全和規模紅利者則更審視上游感測器和晶片龍頭。
• 直接比較中小型演算法公司與全棧巨頭並不公平，前者看獲利率和細分滲透率，後者看整體交付裝車量和生態粘性。

風險

1. 技術路線替代風險：2024-2025 年，特斯拉純視覺路線持續強勢，國內極越（視覺佔用網路方案）等跟隨，若純視覺方案持續突破並在 L3/L4 級別獲得監管認證，高線數雷射雷達在部分車型的搭載率可能承壓。雷射僅作冗餘的趨勢會衝擊上游雷射雷達廠商估值和市場空間預期。

2. 成本與效能平衡風險：機器人行業對整機 BOM 高度敏感，SLAM 成本若不能持續“硬體白菜價+演算法攤銷極小”路線，諸多理論市場（家用看護、商用配送等）可能因成本過高而滲透緩慢。低端產品出現嚴重效能妥協，影響行業口碑。

3. 市場碎片化風險：SLAM 系統高度依賴特定場景的特性（語義物件、作業分界、地面材質、動態密度），很難用一套模型無縫覆蓋所有下游市場。為某一場景積累的地圖和模型對另一場景遷移效用有限，可能導致開發成本線性增長，侵蝕獲利。

4. 隱私與資料安全風險：SLAM 即時生成的三維環境地圖和語義標籤構成敏感地理空間資訊，室內地圖涉及商業場所、私人住宅的精確結構和內容物。我國已釋出《測繪法》《資料安全法》《個人資訊保護法》等法規，對高精度地圖和空間資料的採集、儲存與傳輸施加嚴格限制。出海企業需額外應對 GDPR 及各國測繪法規，合規成本上升。

5. 供應鏈集中風險：高階 IMU、高效能運算晶片以及部分光學模組高度依賴少數幾家國際供應商（NVIDIA、索尼、TDK、博世等），地緣貿易摩擦或出口管制變化可能造成關鍵器件斷供或大幅提價。目前公開資料未見國內在高精度車規級 MEMS IMU 上完全對標博世/InvenSense 的成熟大批次替代方案。

6. 長尾場景失效風險：即便在常規場景下 SLAM 精度滿足指標，但大量極端情況（暴雨/暴雪中雷射點被誤讀、沙塵覆蓋攝像頭、無結構特徵的開闊雪原視盲、高度運動導致的 IMU 飽和等）仍可能隨機出現，導致定位丟失或軌跡錯位，對於安全關鍵系統不可接受。建置全場景無間斷的 SLAM 系統仍是行業公認的最高難度挑戰。

誤讀糾偏

市場對 SLAM 存在一些普遍誤讀，有必要澄清：

• 誤讀一：“SLAM 等同於建圖。” 糾偏：SLAM 的核心特徵是“同時”，定位和建圖相互依存、互為因果。一個只做定位（基於先驗高精地圖）或只做建圖（採用外部真值輔佐）的系統，不是嚴格意義上的 SLAM。業界有時將高精地圖+線上點雲端匹配方案也泛稱為 SLAM，但嚴謹來說 SLAM 強調無外部先驗地圖前提下的首次即時估計。

• 誤讀二：“深度學習將很快完全取代傳統幾何 SLAM。” 糾偏：目前工業和量產系統中的最先進範式是“深度特徵+幾何最佳化”的混合架構。深度網路用於提升特徵提取、深度估計、動態物體識別和迴環檢測等模組的效能，而因子圖最佳化、邊緣化和協方差一致性仍由傳統幾何方法保證全域性收斂性和失敗可解釋性。短期內看不到純粹端到端深度 SLAM 在安全攸關場景中替代混合方案的可能。

• 誤讀三：“視覺 SLAM 一定比雷射 SLAM 便宜，且馬上能替代。” 糾偏：視覺 SLAM 感測器的 BOM 成本確實低於高線數雷射雷達，但在可靠性、精度一致性、弱光/雨霧天氣表現上仍遜於融合方案。大量實際部署中，選擇“低線數雷射+視覺+IMU”輕融合方案來實現效能與成本的平衡，比單一感測器路線更穩健。純視覺 SLAM 在此刻的工業 AGV 和重型無人車輛上仍不被視作獨立導航安全感測器。

• 誤讀四：“SLAM 已經是一個解決好的問題，沒啥新東西可做了。” 糾偏：在約束良好的靜態小場景，SLAM 看起來已足夠成熟。但在大範圍長時間、高度動態、多智慧代理協同等場景下，Life-long SLAM（終身地圖維護與更新）、語義 SLAM、分散式叢集 SLAM 等方向的研究依然活躍，失敗恢復和長期魯棒性遠未解決。

最新事件追蹤

以下為 2024 年下半年至 2025 年第三季度與SLAM技術和產業高度相關的最新重大事件，按時間倒序排列：

• 2025 年 8 月：高通釋出新一代機器人平台 RB6 Gen2，整合視覺-慣性-深度 SLAM 參考設計和 50 TOPS 端側 NPU 硬體引擎，目標大規模消費級與商用服務機器人，宣稱可將 VSLAM 開發週期縮短 6 個月（高通官方新聞）。
• 2025 年 7 月：特斯拉 FSD V13.4 海外更新中，佔用網路結合視覺慣性定位的感知建圖模組實現顯著提升的鄉鎮窄路處理能力，並增強了“智慧召喚”的泊車後低速 SLAM 穩定性（公開北美使用者實測及特斯拉 X 平台更新說明）。
• 2025 年 5 月：禾賽科技釋出迷你型超廣角固態雷射雷達 QT系列，專為機器人、AGV 設計，體積縮減至前代 40%，成本進一步下探，可嵌入式與攝像頭模組融合，該產品已在多家商用清潔機器人客戶進行整合測試（公司產品釋出會資訊）。
• 2024 年 12 月：地平線征程 6 系列晶片正式出貨，單晶片提供最高 560 TOPS 算力，整合的視覺與雷射定位管線經最佳化後，可在低至 10W 的功耗預算下執行即時多模態融合 SLAM（公司公告及 2025 年初量產專案訊息）。
• 2024 年 10 月：速騰聚創釋出 AC1 智慧機器人控制器參考方案，融合雷射雷達、視覺和 IMU 的緊耦合 SLAM 一體化模組，量產 BOM 成本目標 ≤300 美元，目標將 AMR 開發門檻大幅降低（公司 2024 年機器人戰略釋出會）。
• 2024 年 8 月：Meta 於 SIGGRAPH 2024 展示 Project Aria 研究成果，包括新一代的全身運動與場景建圖演算法，利用頭顯與輔助可穿戴裝置實現大規模室內場景的毫米級動態建圖（Meta AI 部落格）。

追蹤指標

可通過以下公開資料渠道和高頻指標追蹤 SLAM 產業的景氣度，所有資料均可從中英文公開信源依法獲取：

1. 下游出貨量（月度/季度）

   • 中國乘用車 L2/L2+ 滲透率（中國汽車工業協會，月度公告）
   • 中國 AGV/AMR 出貨臺數及銷售額（GGII/中國移動機器人產業聯盟，季度/年度）
   • 全球掃地機器人出貨量及高階機型佔比（IDC、GfK、奧維雲端網，季度）
   • 全球 VR/AR 頭顯出貨量（IDC，季度）

2. 上游感測器出貨與價格（季度/半年）

   • 雷射雷達（禾賽、速騰、Luminar）季度出貨量、ASP 變動（公司財報/投資者電話會議）
   • 車載 CMOS 影像感測器出貨趨勢（TSR/Yole 年度，主要廠商季報）
   • MEMS-IMU 價格走勢（主要廠商財務與供應鏈報道，公開追蹤）

3. SLAM 演算法公開基準進展

   • KITTI、Hilti SLAM Challenge、TUM RGB-D、EuRoC MAV 等基準排行榜更新（每年/每兩年）
   • 頂級會議（CVPR、ICCV、ECCV、ICRA、IROS）發表的 SLAM 相關論文數量與方向熱詞統計

4. 開源社群活躍度

   • GitHub 核心 SLAM 倉庫（ORB-SLAM3, VINS-Fusion, LIO-SAM, Kimera, DROID-SLAM 等）的 star 增長、issue 活躍度、版本更新頻次
   • NVIDIA Isaac ROS、百度 Apollo 等社群釋出版本更新頻率與新功能新增情況

5. 行業政策與法規動態

   • 自然資源部/各地測繪局釋出的高精度地圖及空間資料採集資質、審圖號政策
   • UN R155 / ISO 21434 等汽車網路安全法規的 SLAM 系統合規展望更新
   • 個人資訊與空間資料跨境傳輸管理新規（尤其是出海業務頻繁的企業）

6. 一級市場融資風向

   • 移動機器人、機器視覺、自動駕駛定位演算法公司的大額融資事件（投中、CVSource、清科等）
   • 主要 LP/VC 對“具身智慧”和“空間智慧”相關標的的版面配置表態

15. 信源

本概念頁使用的全部資料、事件及觀點均引自以下公開可查文獻及渠道（截至 2025 年 9 月），以供讀者自行回溯驗證：

學術與教科書

• Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
• 高翔等. (2017). 《視覺SLAM十四講：從理論到實踐》. 電子工業出版社.
• Cadena, C., et al. (2016). Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age. IEEE Transactions on Robotics.

行業市場報告與資料庫

• Yole Group. (2024). LiDAR for Automotive and Industrial 2024.
• 高工機器人產業研究所 (GGII). (2025). 《2024年中國移動機器人行業年度報告》.
• 中國移動機器人（AGV/AMR）產業聯盟. (2024). 《2024年度中國工業應用移動機器人市場資料》.
• IDC. (2025). Worldwide Quarterly AR/VR Headset Tracker, Q4 2024; Worldwide Quarterly Smart Home Device Tracker, Q4 2024.
• 中國汽車工業協會. (2025). 2024年全年汽車工業經濟執行情況（月度資料系列）.
• TSR (Techno Systems Research). (2023). CMOS Image Sensor Market Analysis 2023.

公司公開材料

• 禾賽科技 (Hesai Group). 2024 年第四季度及全年財報 (2025.03 釋出).
• 速騰聚創 (RoboSense). 2024 全年業績公告 (2025.03 釋出); 2024 年新產品釋出會公開講話.
• NVIDIA 官方網站及 GTC 相關 Keynote 技術文件（2024-2025）.
• 特斯拉 (Tesla, Inc.). 2024 年季度更新信件及官方 X (原 Twitter) 賬號推送.
• 地平線 (Horizon Robotics). 征程 6 產品釋出會及後續客戶公告 (2024.12).
• 高通 (Qualcomm). RB6 Gen 2 機器人平台新聞釋出 (2025.08).
• Meta AI Blog. 相關 Project Aria 研究更新 (2024.08).

新聞與標準

• 國家層面的《測繪法》《資料安全法》《個人資訊保護法》等法規文本及自然資源部規範性檔案。
• UNECE, UN Regulation No. 155 - Cyber security and cyber security management system.
• ISO/SAE, ISO 21434:2021 Road vehicles — Cybersecurity engineering.