### 核心定义  
视觉SLAM（Visual Simultaneous Localization and Mapping）是计算机视觉与机器人领域的核心技术，旨在通过摄像头等视觉传感器，在未知环境中同步估计传感器自身的位姿（定位）并构建环境的三维地图（建图）。其关键在于解决“先有地图还是先有位姿”的鸡-蛋问题，通过概率与优化模型实现实时、鲁棒的时空一致性估计。

### 关键技术点  
1. **特征提取与匹配**：如ORB、SIFT等局部特征，通过描述子差异建立帧间对应关系，为位姿估计提供数据基础。  
2. **后端优化**：采用图优化（Bundle Adjustment）或滤波方法（如EKF），最小化重投影误差，联合优化相机轨迹与地图点。  
3. **回环检测**：利用词袋模型或深度学习特征识别历史场景，消除累积漂移，保证全局地图一致性。  
4. **直接法与半直接法**：不依赖特征点，基于像素光度信息（如LSD-SLAM、DSO）或混合策略（如SVO），提升低纹理场景鲁棒性。  
5. **深度学习增强**：语义SLAM（如DroidSLAM）利用神经网络提取动态物体、环境语义，提高复杂动态场景下的稳定性。

### 医学/神经科学应用场景  
基于首都医科大学神经病学研究背景（聚焦脑卒中、帕金森病），视觉SLAM可用于**穿戴式步态分析系统**。在帕金森患者康复评估中，通过头戴式或躯干固定摄像头，实时构建患者行走环境的地图并追踪其三维姿态轨迹。系统可自动识别“冻结步态”（FOG）发生时的瞬时位姿变化（如躯干晃动幅度突然减小、步长缩短），结合表面肌电（sEMG）与脑电图（EEG）同步记录，量化神经电生理特征与运动障碍的耦合关系。相比传统光栅或惯性传感器，视觉SLAM无需预设标记点，能适应医院走廊、家庭等非结构化环境，为帕金森患者个性化康复提供低成本的时空参数与地图回环检测误差，辅助临床决策。