视觉 SLAM 在连续图像中追踪显著特征点，据此推算机器人的运动、位置与周围结构。相比激光方案，它硬件成本低得多，并能获取颜色和纹理信息，代价是对光照条件敏感。
视觉 SLAM 用摄像头代替激光雷达作为主传感器。系统在连续帧中提取角点或边缘等显著特征，通过跨帧匹配估算相机自身的运动，同时把观测到的特征点三角化成稀疏或稠密的三维结构。
实现路径分两类。特征点法先提取描述子再匹配，对光照变化较稳健，计算量集中在特征提取上；直接法跳过描述子，直接比较像素灰度，在纹理丰富的场景下精度更高，但对曝光变化几乎没有容忍度。单目方案还存在尺度不确定问题，实际部署中通常配上第二个摄像头或惯性测量单元来锁定绝对尺度。
成本是选择视觉方案最常见的理由。一组工业相机的价格远低于同等覆盖范围的多线激光雷达，对批量出货的清洁机器人或服务机器人来说，这个差额直接决定产品定位。图像还顺带提供颜色和纹理，可以在同一套数据上做语义识别。
算力则是另一侧的账。视觉 SLAM 通常需要专门的加速硬件才能跑到实时帧率，功耗和散热都要算进整机设计。
一家清洁机器人厂商在新机型上评估视觉 SLAM：设备需要在写字楼夜间低照度环境下工作。项目组分别测试了开灯与关灯两种条件下的定位丢失率，并据此决定是否加装补光。
最需要警惕的是光照。傍晚窗边的强逆光、夜间关灯后的近乎全黑、白墙和玻璃这类无纹理表面，都会让特征点数量骤降进而丢失跟踪。因此视觉方案在照度可控的室内表现最好，室外或昼夜交替场景通常要与惯性或激光数据融合。
实践应用
一家清洁机器人厂商在新机型上评估视觉 SLAM：设备需要在写字楼夜间低照度环境下工作。项目组分别测试了开灯与关灯两种条件下的定位丢失率，并据此决定是否加装补光。
优势
- 相机成本远低于同覆盖范围的多线激光雷达
- 图像自带颜色和纹理，可复用于语义识别
- 体积和重量小，便于集成到消费级机型
- 在纹理丰富的室内环境中定位精度可达厘米级
局限性
- 强逆光、低照度和白墙等无纹理表面会导致跟踪丢失
- 单目方案存在尺度不确定，需靠双目或 IMU 补足
- 实时运行通常需要专门的加速硬件，功耗和散热要一并设计
- 直接法对曝光变化几乎没有容忍度
典型应用领域
AMR 自主移动机器人清洁机器人四足机器人服务机器人
常见问题
- 视觉 SLAM 是什么？
- 它用摄像头作为主传感器，在连续图像中追踪特征点，据此推算机器人的运动、位置和周围三维结构。
- 视觉 SLAM 在实际中怎么工作？
- 特征点法提取描述子后跨帧匹配，直接法则比较像素灰度。单目方案需要双目相机或 IMU 才能确定绝对尺度。
- 视觉 SLAM 和激光 SLAM 怎么选？
- 照度可控的室内、且对成本敏感的批量产品适合视觉方案；照度变化剧烈或需要在无纹理环境中作业时，激光或多传感器融合更稳妥。
- 视觉 SLAM 有哪些局限？
- 光照是最大变量：逆光、黑暗和白墙都会让特征点骤减导致丢失跟踪。此外实时运行对算力和散热提出明确要求。