本文目录导读：
- 神经隐式SLAM与3D高斯溅射（3DGS）的颠覆性融合
- 基于大规模预训练模型的语义SLAM与主动探索
- 端到端学习与图优化（GNN）的深度耦合
- 多传感器融合：视觉-惯性-雷达的“黄金三角”
- 鲁棒性与挑战性场景的专项突破（“破坏性”场景）
- 长期自动驾驶规模化的“车道级”SLAM
- 关键技术趋势总结
- 未来1-2年值得关注的方向（展望）
视觉同步定位与建图（Visual SLAM，vSLAM）是计算机视觉与机器人领域的核心技术，近年来，随着深度学习、神经渲染和传感器硬件的突破，该领域正经历从几何驱动向学习驱动+多模态融合的范式转移。
截至2025年年中,视觉SLAM的最新进展主要集中在以下几个维度：
神经隐式SLAM与3D高斯溅射（3DGS）的颠覆性融合
这是目前最火热的方向,标志着SLAM从稀疏/半稠密地图迈入高保真辐射场地图时代。
- 3D GS-SLAM（如SplaTAM、GS-SLAM、MonoGS）：在2024-2025年集中爆发，它们将3D高斯椭球作为地图表示，取代了传统的体素或神经辐射场（NeRF）。
- 核心优势：相比NeRF-SLAM，3DGS能做到实时（>30 FPS）的渲染和优化，且内存管理更优。
- 进展：最新研究解决了尺度漂移（单目）和动态物体遮挡问题，并引入了增量式致密化策略，使得在大规模场景中建图更稳定。
- 物理一致性增强：近期工作（如Physics-GS）开始引入接触力和表面材质估计，让重建出的地图不仅能看（视觉）还能摸（力觉反馈），为具身智能（Embodied AI）做准备。
基于大规模预训练模型的语义SLAM与主动探索
传统SLAM只回答“我在哪”，现在的SLAM开始回答“这是什么”和“我该去哪”。
- 多模态大语言模型（MLLM）驱动：视觉语言SLAM（如VLMaps、GOAT）将预训练的CLIP或视觉大语言模型特征融入地图，机器人可以通过自然语言指令（如“去蓝色的椅子旁”）直接在地图中进行语义导航。
- 零样本泛化：新架构利用开放词汇表（如Open-vocabulary），无需额外训练即可识别训练集中未出现的新物体，大幅提升了SLAM在陌生环境中的实用性。
端到端学习与图优化（GNN）的深度耦合
虽然传统SLAM前端特征点+后端优化依然稳健，但“学习型组件”正在不可逆转地渗透：
- 学习型特征描述子：超点（SuperPoint）、轻量级特征算子（D-Light）等被全面替代非学习型特征，尤其在纹理稀疏和剧烈光照变化场景下鲁棒性成倍提升。
- 基于图神经网络（GNN）的回环检测：图匹配在拓扑结构上比词袋（BoW）更精确，近期研究将回环检测转化为图同构问题，配合全局描述子（如NetVLAD的Transformer变体），在恶劣天气下的环境一致性显著增强。
- 可微分SLAM：将整个SLAM过程（前端特征提取到后端BA）构建为可微计算图，通过自监督学习直接优化位姿和深度，减少了对真值标注的依赖。
多传感器融合：视觉-惯性-雷达的“黄金三角”
纯视觉在退化环境（弱光、白墙、旋转过快）下依然吃力，因此紧耦合多模态成为工业级落地标配：
- VIO+3DGS：将视觉惯性里程计（VIO）的快速位姿初始化与3DGS的稠密重建结合，解决了单目3DGS-SLAM初始化慢、易炸的问题。
- 雷达-视觉-惯性（LVI-SLAM）：4D毫米波雷达与固态激光雷达的引入，解决视觉传感器受光照影响的问题，近期重点在于异质特征同步，即如何在拓扑结构上对齐点云稀疏的雷达特征与密集的视觉特征。
鲁棒性与挑战性场景的专项突破（“破坏性”场景）
- 极端动态环境：基于残差流形或隐式分割（利用无监督视频分割）的方法，将地图中的静态背景与动态物体（行人、车辆）分离，最新的趋势是动态物体也参与建图（“动态SLAM”转变为“动态场景理解”）。
- 低光照与SLAM：结合事件相机（Event Camera）与帧相机，事件相机的高动态范围（HDR）能力使SLAM在亮度跳跃（如隧道出口）时不再失效，这是自动驾驶领域的重要推进方向。
长期自动驾驶规模化的“车道级”SLAM
- 地磁+视觉融合：在车载场景中，最新的视觉SLAM开始融入车道线几何约束和高精地图图元的先验，实现“无GPS”下的厘米级重定位。
- 众包更新机制：大厂的重心转向云端SLAM，车辆采集数据上传后，云端负责全局优化，向终端下发增量更新包，降低车端算力压力。
关键技术趋势总结
| 维度 | 传统方法特征 | 当前最新特征 |
|---|---|---|
| 地图表示 | 稀疏特征点 / 稠密体素 | 3D高斯溅射（3DGS）、NeRf辐射场 |
| 回路检测 | 视觉词袋（BoW） | 图匹配（GNN）+ 语义/几何联合嵌入 |
| 鲁棒性 | 依赖高梯度纹理 | 多模态融合（VIO+Lidar），事件相机 |
| 智能关联 | 纯几何（点、线、面） | LLM语义+开放词汇表 |
| 输出产物 | 几何坐标+姿态 | 可交互的语义+物理地图（交互式辐射场） |
未来1-2年值得关注的方向（展望）
- 4D一致性：不只重建静态世界，而是处理“流场”中的动态物体（如缠着绷带的行人），并保持时间一致性。
- 端侧轻量化：将3DGS的渲染与优化压缩到10MB以内的轻量模型，部署在机器人或手机端（当前3DGS内存占用依然很大）。
- 视觉-触觉-听觉联合感知：对于服务机器人，视觉SLAM将产生多模态锚点，将视觉信息与音频（如“这里是厨房的切菜声”）结合，拓展感知边界。
- 主动探索式SLAM：将“好奇度”作为奖励函数输入SLAM，让机器人自动决定探索哪些未观测区域以最大化地图信息增益。
视觉SLAM的进展已不再是单纯的“定位精度竞争”，而是“场景理解能力”的竞争，它正在从“使机器能走路”的定位工具，进化为“使机器能思考”的空间记忆中枢，对于开发者而言，目前落地门槛最高但效果最惊艳的无疑是3D高斯溅射与语义特征的混合架构。
