计算机视觉和 SLAM（同步定位与地图构建）是机器人和 AI 中相关但不同的领域。计算机视觉侧重于使机器能够解释视觉数据，例如图像或视频，以识别对象、检测模式或理解场景。 另一方面，SLAM 是一种特殊的技巧，机器人或自动系统使用它来构建未知环境的地图，同时跟踪它们在地图中的位置。 虽然两者都依赖于处理视觉或传感器数据，但它们的目标不同：计算机视觉旨在从视觉输入中提取含义，而 SLAM 解决了导航和空间感知的几何问题。
这些领域的核心技术和应用也各不相同。 计算机视觉使用卷积神经网络 (CNN) 等算法来执行图像分类（例如，识别照片中的猫）或对象检测（例如，在自动驾驶汽车的摄像头馈送中定位行人）等任务。 SLAM 结合来自摄像头、激光雷达或惯性测量单元 (IMU) 等传感器的数据，以实时估计运动并构建 3D 地图。 例如，使用 SLAM 的无人机可能会处理摄像头帧以检测房间中的特征点，跟踪这些点随着其移动而如何变化，并使用该数据来推断其轨迹并更新地图。 计算机视觉可以用于 SLAM 中的特征检测，但 SLAM 添加了融合传感器数据以共同解决定位和映射的层。
虽然存在重叠，但用例通常不同。 计算机视觉在机器人技术之外具有广泛的应用，例如医学成像分析、面部识别或增强现实滤镜。 SLAM 主要用于机器人技术、自动驾驶汽车或空间理解至关重要的 AR/VR 系统。 例如，仓库机器人可以使用 SLAM 来浏览货架，而同一机器人中的计算机视觉系统可以识别放错位置的物品。 SLAM 系统通常依赖于计算机视觉技术（例如，光流），但它们需要额外的组件，例如姿势估计算法和传感器融合，以应对实时映射和定位的挑战。 总之，计算机视觉提供“看”的工具，而 SLAM 使用这些工具来“导航和绘制地图”。