激光SLAM

Parent: ai_keywords

激光SLAM 百科解释

核心定义

激光SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）是一种利用激光雷达传感器实现移动机器人在未知环境中的自主定位与增量式环境地图构建的技术。其核心在于解决“鸡生蛋”难题：机器人需要地图来定位，又需要精确位姿来构建地图。通过概率估计与数据关联，激光SLAM在迭代中同步求解该闭环问题，具有高精度、强鲁棒性和对光照不敏感的优势。

关键技术点

1. 点云配准（如ICP算法）：将连续帧的激光点云通过迭代最近点算法进行刚性变换估计，获得相邻时刻的相对位移，是SLAM前端的数据关联基础。
2. 图优化后端：以位姿为节点、观测量为约束边构建因子图，利用非线性最小二乘（如G2O、Ceres）整体优化轨迹与地图，消除累计漂移。
3. 回环检测：基于扫描匹配或特征描述符（如ScanContext）识别已访问区域，建立全局约束，是消除长期漂移的关键闭环手段。
4. 滤波方法（粒子滤波/扩展卡尔曼滤波）：在建图与定位的早期框架中，通过贝叶斯递推更新位姿概率分布，适用于计算资源受限的场景。

医学/神经科学应用场景

在首都医科大学神经病学临床研究中，激光SLAM可用于帕金森病步态障碍的量化评估。通过搭载轻量2D/3D激光雷达的移动机器人（或穿戴式SLAM设备），实时构建患者行走路径的三维环境地图，并同步追踪其三维位置与头部朝向。算法可提取步长、步频、转弯角度、冻结步态发生位置等微运动参数，较传统量表或固定摄像头具有更高空间分辨率和自然场景适应性。结合脑深部电刺激（DBS）术后随访，该技术能客观量化药物或电极参数调整对运动功能的影响，为神经调控提供时空精度的反馈依据。此外，在癫痫发作监测中，SLAM可捕捉患者在病室内不受限的运动轨迹异常（如自动症行走），辅助发作分型与风险评估。