SLAM
机器人和自动驾驶领域的核心技术，要求设备在未知环境中同时完成自身定位与周围环境地图构建，视觉SLAM依赖相机作为主要传感器
核心事实
时间轴 (近 90 天)
多数新视角合成方法假设相机内外参已知，位姿由SfM或SLAM预先求得；而CoTL直接以无位姿多视角图像为输入，需要隐式推断或吸收视角间的几何关系。
SLAM是让设备在未知环境中一边估计自身位姿、一边构建地图的技术，是激光扫描与移动测量获取高精度点云的基础。
SLAM系统在长时序行走中累积的定位漂移会使远处目标的坐标预测进一步偏移，形成误差叠加效应
传统SLAM（如ORB-SLAM）依赖手工特征点匹配，深度学习兴起后出现了将深度估计与位姿优化联合训练的端到端方案
相机位姿估计通常依赖视觉里程计（Visual Odometry）或SLAM（即时定位与地图构建）技术
多人共享AR空间依赖空间锚点（Spatial Anchor）机制，通过SLAM算法在多台设备间建立统一坐标系
Kinect曾被广泛用于骨骼追踪、手势识别、3D扫描、机器人SLAM导航等早期计算机视觉与机器人研究项目，作为廉价的深度数据来源
Valerant引入SLAM（同步定位与地图构建）技术，从连续视觉观测中反推三维几何结构和相机位姿
AMR通过SLAM、激光雷达和视觉感知实现灵活的路径规划与动态避障，与传统AGV依赖固定磁条或轨道不同
SLAM算法用于处理传感器原始数据以构建环境的几何地图，语义分割网络（如SegFormer、Mask2Former）将视觉数据转化为物体类别标签
还有 5 条时间轴事件
全部知识事实 (17)
SLAM（同步定位与地图构建）技术广泛应用于扫地机器人等移动设备，能让设备在未知环境中实时建图并精确定位
75%已验证SLAM（即时定位与地图构建）最初由机器人学领域发展而来，解决设备在未知环境中同时完成自身定位与环境地图构建的难题
65%待验证商业级SLAM系统通常需要满足定位精度厘米级别、重定位成功率90%以上、在中低端移动设备上保持30fps以上实时帧率
75%待验证多数新视角合成方法假设相机内外参已知，位姿由SfM或SLAM预先求得；而CoTL直接以无位姿多视角图像为输入，需要隐式推断或吸收视角间的几何关系。
50%待验证SLAM是让设备在未知环境中一边估计自身位姿、一边构建地图的技术，是激光扫描与移动测量获取高精度点云的基础。
50%待验证SLAM系统在长时序行走中累积的定位漂移会使远处目标的坐标预测进一步偏移，形成误差叠加效应
50%待验证相机位姿估计通常依赖视觉里程计（Visual Odometry）或SLAM（即时定位与地图构建）技术
50%待验证传统SLAM（如ORB-SLAM）依赖手工特征点匹配，深度学习兴起后出现了将深度估计与位姿优化联合训练的端到端方案
50%待验证多人共享AR空间依赖空间锚点（Spatial Anchor）机制，通过SLAM算法在多台设备间建立统一坐标系
50%待验证Kinect曾被广泛用于骨骼追踪、手势识别、3D扫描、机器人SLAM导航等早期计算机视觉与机器人研究项目，作为廉价的深度数据来源
50%待验证Valerant引入SLAM（同步定位与地图构建）技术，从连续视觉观测中反推三维几何结构和相机位姿
50%待验证AMR通过SLAM、激光雷达和视觉感知实现灵活的路径规划与动态避障，与传统AGV依赖固定磁条或轨道不同
50%待验证SLAM算法用于处理传感器原始数据以构建环境的几何地图，语义分割网络（如SegFormer、Mask2Former）将视觉数据转化为物体类别标签
50%待验证感知框架通常采用多模态融合架构,包括RGB-D摄像头、激光雷达和IMU等设备,通过SLAM算法构建环境几何地图
50%待验证SLAM 算法主要分为基于滤波器的方法（如 EKF-SLAM、FastSLAM）和基于图优化的方法（如 Cartographer 的子图匹配与稀疏位姿图优化）
50%待验证SLAM（同步定位与建图）现代方案通常融合激光雷达、摄像头、IMU 等多种传感器数据，利用概率滤波或图优化算法求解
50%待验证当前具身智能的主要技术瓶颈包括动态场景中SLAM的可靠性不足、长时序任务规划的计算复杂度，以及机器人硬件在能量密度和灵巧操控方面的物理限制
50%