1. 动态SLAM当机器人走进“菜市场”想象一下你是一个刚学会走路的孩子被蒙着眼睛带进了一个人声鼎沸的菜市场。你的任务是一边走一边在脑子里画出一张这个市场的地图同时还要搞清楚自己到底在哪儿。这听起来是不是几乎不可能因为周围的人都在走动你撞到人或者被人撞开都会让你脑子里那张地图变得乱七八糟位置也完全对不上。这就是传统SLAM同步定位与建图技术在动态环境中面临的终极困境。SLAM是机器人和自动驾驶汽车的“眼睛”和“大脑”它让机器能一边探索未知环境一边构建地图并确定自身位置。但过去几十年大多数SLAM系统都基于一个“偷懒”的假设世界是静止的。这就像那个蒙眼孩子假设市场里所有人都站着不动一样在安静的实验室或仓库里还行得通一旦走到真实的街道、商场或工厂车间这套系统就很容易“晕头转向”。动态场景SLAM要解决的就是让机器人在“菜市场”里也能保持清醒。它不仅要画出墙壁、货架这些静态背景还得实时识别出行人、车辆这些“动来动去”的东西并且聪明地知道这些移动的物体不能作为画地图和找位置的依据否则地图会扭曲定位会漂移。我做过不少机器人项目早期就踩过这个坑——在办公室里跑得很好的导航机器人一到人来人往的接待区轨迹就开始“鬼畜”走着走着就以为自己穿墙了。近年来技术的突破主要来自两个方向激光雷达SLAM和视觉SLAM。激光雷达像是一把高速旋转的尺子通过发射激光束并测量反射时间来获取周围环境的精确三维结构它不受光线影响数据非常精确但对动态物体的语义理解这是什么东西能力弱。视觉SLAM则像我们的眼睛用摄像头捕捉丰富的颜色和纹理信息能轻易认出“那是个人那是辆车”但对光照变化敏感深度测量也不如激光雷达直接。于是一个很自然的想法产生了能不能让“尺子”和“眼睛”联手取长补短这就是激光与视觉融合SLAM的起点也是我们今天要聊的核心。2. 激光SLAM的进化从“全盘接收”到“动态点云过滤”激光雷达打出一束束激光返回成千上万个三维点形成点云。在静态环境里这些点云就像稳定的雕塑前后两帧稍微一匹配就能算出机器人走了多远、转了多少。但动态环境里点云里混入了行人、车辆的“噪点”直接匹配就会出错。2.1 早期思路几何特征与回环检测的坚守在深度学习火起来之前大家主要靠“几何直觉”来解决问题。比如2018年的Scan Context方法它不再纠结于单个点而是把整个激光扫描压缩成一个“鸟瞰图”式的全局描述符。你可以把它想象成一种特殊的“环境指纹”。即使你从不同角度再次进入同一个地方比如从市场东门进和西门进Scan Context也能通过比较“指纹”来认出这是同一个地方实现鲁棒的回环检测。这解决了“在哪里”的问题但对于“什么东西在动”还是无能为力。我在实际部署时发现它在静态仓库场景中闭环效果惊人但一旦有叉车频繁经过性能仍有下降。更进一步的思路是紧耦合激光惯性里程计比如LIO-SAM。它把激光雷达和IMU惯性测量单元可以理解为内部的动作传感器的数据深度捆绑用因子图进行优化相当于同时参考外部观察和自身感觉让里程计短时间内的运动估计更稳。但它的底层仍然假设环境是静态的。2.2 语义分割入场给点云贴上“标签”既然几何方法有天花板大家就把目光投向了深度学习。核心武器就是语义分割。简单说就是给激光点云的每一个点都打上标签这个点是“汽车”那个点是“行人”那个点是“建筑”。LIO-CSI (2021)和Semantic Lidar-Inertial SLAM (2022)是这方面的代表。它们利用像SPVNAS这样的神经网络对点云进行语义分割。拿到标签后事情就简单了直接在配准和建图前把标签为“汽车”、“行人”的动态点过滤掉只用“建筑”、“地面”、“树木”这些静态点来做匹配。这相当于让机器人学会了“无视”移动的物体。我测试过一个基于此原理的改造系统在校园道路上轨迹精度确实提升了。但问题也来了点云语义分割网络通常很庞大计算开销大很难做到实时。而且如果一辆车停着它会被识别为“汽车”并被过滤掉即使它是一个有用的静态地标比如一辆停稳的送货车。这就是静态但语义动态的挑战。2.3 轻量化与实时性突破为动态检测“减负”为了追求实时性研究者们开始设计更轻巧的动态点检测方法而不是依赖完整的语义分割。RF-LIO (2022)提出了“移除优先”的策略。它先不急着做精细的语义识别而是利用多分辨率距离图像快速找出场景中“不合群”的点。想象一下在两帧连续的激光扫描中静态物体的点云相对位置变化是有规律的因为机器人自己在动而动态物体的点云会打破这种规律。RF-LIO通过分析这种不一致性快速圈定可疑的动态区域并移除然后再进行精确匹配。这种方法速度很快在高动态城市环境中轨迹精度比传统方法提升了70%以上。2024年的A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry走得更远。它提出了一种基于“标签一致性”的快速检测方法。其核心思想非常巧妙它利用连续多帧点云之间点的对应关系如果一个点在多帧中被持续观测到且其相对于静态背景的运动轨迹与机器人自身的运动不一致那它就很可能是动态点。这个方法计算开销极低每帧只需1~9毫秒完全可以嵌入到实时的LIO系统中在自动驾驶场景下对移动车辆和行人的过滤效果非常好。这标志着激光SLAM处理动态环境的能力从“离线优化”正式迈入了“实时处理”的舞台。3. 视觉SLAM的破局让机器人真正“看懂”场景视觉SLAM靠摄像头数据是二维图像信息密度高语义理解天生有优势。但动态物体在图像中造成的干扰更直接——一个走过的人可能会挡住一半的关键特征点。3.1 引入深度学习“外援”YOLO与Mask R-CNN的权衡早期动态视觉SLAM系统如2019年的一些研究开始尝试引入深度学习目标检测模型作为“外援”。YOLO系列速度快可以实时框出图像中的车辆、行人。Mask R-CNN更精细不仅能框出来还能像“抠图”一样精确分割出物体的像素级轮廓掩码。但这带来了一个经典权衡速度 vs. 精度。YOLO快但框比较粗糙容易把静态物体比如路灯杆的一部分也框进去误删。Mask R-CNN准但计算慢影响整体SLAM的帧率。我在实际项目里做过对比在机器人计算资源有限的情况下用YOLOv5-tiny一个轻量版是一个不错的折中选择既能保证实时性又有尚可的检测精度。3.2 动态物体感知SLAM从“剔除”到“建模”VDO-SLAM (2021)代表了一个更高级的思路它不满足于仅仅把动态物体“扔掉”而是尝试去估计这些动态物体自身的运动SE(3)运动即三维空间中的旋转和平移。这相当于机器人不仅知道“那里有个东西在动”还知道它“正在往哪个方向、以多快的速度移动”。这对于机器人预测未来、进行路径规划和避障有巨大价值。VDO-SLAM利用语义信息和几何约束无需预先知道物体的精确3D模型就能实现对动态刚体如汽车、手推车的运动估计和跟踪。3.3 走向真正的实时告别GPU依赖深度学习模型通常需要GPU才能实时运行这增加了机器人的成本和功耗。NGD-SLAM (2024)在这方面做出了重要探索。它提出了一种掩码预测机制让深度学习检测和相机跟踪可以完全并行运行在不同的频率上并采用了一种双级光流跟踪方法混合使用光流和ORB特征。最终它成功在笔记本电脑的纯CPU上实现了56 FPS的实时动态SLAM。这个工作证明了通过精巧的算法设计在有限资源下实现高效的动态视觉SLAM是可行的。这对于消费级机器人或嵌入式设备意义重大。4. 激光与视觉的融合112的协同作战单一传感器总有短板。激光雷达精确但“不识物”视觉摄像头“识物”但测距不准、怕黑怕亮。融合两者是应对复杂动态环境的必然趋势。4.1 紧耦合融合Dynam-LVIO的范例2024年的Dynam-LVIO是一个典型的激光-视觉-惯性紧耦合系统。它不再把不同传感器的数据简单拼凑而是从底层进行深度融合多传感器信息深度融合它同时使用激光点云ICP误差和视觉特征重投影误差在一个误差状态迭代卡尔曼滤波器框架下进行状态估计让定位精度更高、更鲁棒。动态物体感知与跟踪视觉端用YOLOv5检测物体2D框激光端提供物体的3D点云。它创新地提出了LVI-SORT多目标跟踪算法利用估计出的物体状态和机器人自身状态预测物体运动甚至在物体被短暂遮挡后也能重新关联上跟踪非常稳定。地图的动态分割根据跟踪结果系统会把构建的全局地图清晰地分割成静态环境地图和动态物体地图。静态地图用于可靠的定位与导航动态地图则帮助理解场景变化。这种融合带来的提升是全面的。实验表明在动态城市环境中Dynam-LVIO的定位精度比单一传感器或松耦合方法提升了5%-10%同时物体跟踪精度也提升了近3%。这就像是给机器人既配了把激光尺子又配了双慧眼还能让它们互相校对结果自然是看得更清、走得更稳。4.2 实战中的融合策略与调参心得在工程实践中融合并非易事。首先是时间同步激光雷达和摄像头的时钟必须精确对齐差几毫秒都可能造成融合误差。我们通常使用硬件同步信号或者用软件时间戳插值的方法来解决。其次是坐标系统一。激光雷达和摄像头的位置关系外参必须经过精确标定。我常用的工具是Autoware的标定工具包在一个有丰富纹理和几何结构的场景下比如标定板同时采集激光点云和图像通过优化算法计算出两者之间的旋转和平移矩阵。标定不准后续所有融合都是空中楼阁。最后是数据关联。这是融合的核心难点如何确定图像中检测到的那辆“车”和激光点云中那一团“车”形状的点云是同一个物体Dynam-LVIO用的方法是2D-3D框的IoU交并比结合点云关联。在实际操作中我们还会加入目标的外观特征如颜色、纹理或运动一致性作为辅助判断。调参时需要平衡各项关联指标的权重在准确率和实时性之间找到最佳平衡点。5. 从语义分割到实时处理技术栈的演进与部署考量回顾这条演进路径我们可以清晰地看到一个趋势从后处理的语义分割到前端的轻量级动态检测再到深度融合的实时感知与状态估计。技术阶段核心思想代表方法优势挑战语义分割阶段为每个点/像素赋予语义标签过滤动态类别。LIO-CSI, DS-SLAM精度高对动态物体理解深刻。计算开销大难以实时无法处理“静态但语义动态”的物体。几何/轻量检测阶段利用运动一致性、多视角几何等规律快速检测不一致点。RF-LIO, 基于光流/多视图几何的方法速度快资源消耗低易于实时部署。对复杂运动或缓慢移动的物体可能漏检。深度融合与实时建模阶段多传感器紧耦合同时估计自身状态与动态物体运动构建分离的地图。Dynam-LVIO, VDO-SLAM系统最鲁棒功能最全面可预测动态物体。系统复杂度高标定与数据关联要求极高。对于开发者而言选择哪条路取决于你的应用场景和硬件条件追求极致精度有强大算力如车载计算平台走深度融合路线如Dynam-LVIO这是未来的方向。资源受限的嵌入式设备或移动机器人优先考虑轻量级几何检测方法如RF-LIO的思路或优化后的轻量语义模型如YOLO-fastest。室内服务机器人动态物体主要是人基于视觉的、结合轻量检测和几何约束的方法如NGD-SLAM可能更合适。部署时别忘了数据集的威力。在KITTI、UrbanNav这些包含大量动态物体的公开数据集上反复测试你的算法能帮你发现很多在简单仿真中遇不到的问题。我自己就曾在KITTI上跑出一个在实验室表现完美的算法结果在城市序列中因为公交车密集而频繁失效回头才发现是动态点过滤阈值设得太保守了。6. 未来展望更智能、更泛化的场景理解动态SLAM技术远未成熟。当前的系统大多只能处理“刚性动态物体”如汽车、行人对于变形物体如摇曳的树木、飘动的旗帜或半静态物体如移动后又停下的椅子仍然乏力。下一步的发展我认为会集中在更强大的基础模型应用像Segment Anything Model (SAM)这样的通用分割模型正在被尝试集成到SLAM中。它无需预先训练特定类别就能分割图像中的任何物体为处理未知或罕见动态物体提供了可能。神经辐射场NeRF与高斯溅射3DGS的引入这些新兴的3D场景表示方法能生成极其逼真和稠密的地图。未来的动态SLAM可能会构建一个“静态背景的NeRF”加上“动态物体的显式表示”的混合地图不仅能用于定位还能用于逼真的场景还原和仿真。终身学习与自适应机器人需要在一个不断变化的环境中长期工作。未来的SLAM系统需要具备“记忆”和“遗忘”的能力能识别出环境中的永久性变化如新修的墙并更新地图同时忽略临时性的动态干扰。说到底动态SLAM的终极目标是让机器获得接近人类的空间智能——在一个充满变化的世界里从容地知道自己身在何处将往何方。这条路还很长但每一步进展都让我们离这个目标更近一点。从语义分割到实时处理我们正在教会机器人如何在这个动态的世界里稳稳地“看”和“走”。