这个问题往往通过增加IMU形成视觉惯导系统来解决，因为IMU价格低廉且可提供传感器自身的角速度和加速度。如何高效融合IMU和相机的数据也是备受业界关注的问题，其主要有两大主流解决方案可供选择：基于传统滤波的融合具有速度快的特点，但由于马尔可夫假设，其累计误差较大；基于优化的方法很好的解决了累计误差问题，但其需要较高的计算资源。视觉定位还可以通过增加深度传感器形成RGB-D模组来为视觉定位问题提供高质量的深度信息，在有稠密地图或高级语义地图需求时往往采用RGB-D定位。

图5 纯视觉&视觉惯导稀疏地图(左）RGB-D 稠密地图（右）

激光定位技术发展现状

2.1. 2D激光定位技术发展现状

2D激光定位技术发展较早，目前已经相当成熟。2D激光雷达可以获得环境切面的2D点云，在相邻帧的点云之间做点云配准，即可获得当前帧相对于上一帧的运动，一种典型的2D点云配准算法如下图所示，黄色点云为当前帧，首先将上一帧转化为概率图，当前帧在概率图上寻找使所有点的总概率最大的位置，即为当前帧的位置。基于这种位姿推断，我们得以获得机器人的轨迹，并获得全局的2D概率栅格地图。在定位作业时，采用与2D点云配准技术类似的匹配算法，将实时扫描和地图进行配准，获得机器人在地图中的位置，如下图所示。

目前，2D SLAM已经发展出了诸多有名的开源算法框架，包括但不限于Gmapping，Hector，karto等，其中的集大成者是由Google开源的Cartographer，实现了算法性能，稳定性，功能完整性，可抑制性等多个方面的统一，可以说支撑了很多机器人相关创业公司的发展。在Cartographer之后，鲜少再有同等级别的2D SLAM框架出现。随着2D SLAM技术不断落地，所面对的问题也更加高阶。

近年来在2D SLAM领域出现了相对成熟的life-long SLAM技术，实现了建图和定位的统一，并且在定位的过程中可以实时的修正地图，克服了环境动态变换引起的地图偏差问题，这方面的代表性工作如高仙机器人在IROS-2021学术会议上发表的工作《A General Framework for Lifelong Localization and Mapping in Changing Environment》。

图6 2D点云配准技术（左）2D SLAM建图（中）2D激光定位（右）

2.2. 3D激光定位技术发展现状

3D激光定位技术的发展相对滞后于2D，其中的原因主要有两点：3D激光雷达，3D SLAM算法。随着以velodyne公司为代表的激光雷达厂商的发展和3D激光雷达生产工艺的成熟和成本的下探，以及以LOAM系为代表的3D SLAM算法突飞猛进的发展，3D激光SLAM技术开始实现突破，并直接促成了3D激光定位技术的大规模落地。

常见的机械式3D激光雷达方案如下图所示，在3D激光雷达内部集成了多组激光发射器和接收器，它们在电机的驱动下360度循环旋转，实现对环境的扫描，每次扫描将返回一帧完整的点云。近年来，固态激光雷达也获得了快速的发展并开始投入商用，国内如览沃、速腾聚创、禾赛激光等厂商也初步推出了固态激光雷达产品。固态激光雷达的最大优势在于成本，随着产量的提升，成本预计将下探到同等机械激光雷达成本的十分之一。但固态雷达在点云形态上与机械激光雷达不同，通常FoV（视场角）较小，类似于深度相机。基于固态雷达的SLAM技术目前已经得到了发展，但仍有进一步提升的空间。同样受限于FoV太小，基于固态激光雷达的定位技术目前还不够成熟。

图7 传统旋转式机械激光雷达及其典型点云图

图8 固态激光雷达及其典型点云图

3D SLAM算法的爆发性发展可以追随到2014年由Ji Zhang发表的论文《LOAM: Lidar Odometry and Mapping in Real-time》，该论文首次提出了基于边缘特征和平面特征的点云配准算法，实现了兼顾速度和精度的激光SLAM建图，该方案简称为LOAM。其提出的特征点配准方法启发了大量后续研究，代表性的有LeGO-LOAM，LIO-SAM等。同时，随着算力和算法的进步，基于ICP（Iterative Closest Point, 迭代最近点）的一些衍生型点云配准算法（如G-ICP，VGICP）等也得到了发展。这些点云配准技术的进步，结合多传感器融合算法的进步（滤波和非线性优化，松耦合和紧耦合），实现了更高阶的3D SLAM技术，代表性开源方案有FAST-LIO2，Super-Odometry等。

图9 卫星图及算法所建点云图

图10 FAST-LIO2算法建图

3D定位技术与SLAM技术的发展息息相关，在机器人领域，3D定位功能作为SLAM的应用之一出现；而在自动驾驶领域，3D定位则未必需要建图（存在关于是否需要高精地图的技术路线之争）。3D定位技术同样非常强调多传感器融合，通常至少需要融合3D激光雷达和IMU，其它的传感器还包括轮式里程计、GNSS等。虽然有一些开源框架也支持定位模式，比如HDL-Graph-SLAM，Cartographer(3D)等，但并不能达到直接商用落地的要求。综合来讲，各个机器人公司的3D定位技术都会在开源算法的基础上进行开发，或直接借助开源算法框架，或借助开源技术和公开论文全栈自研。