视觉 SLAM（同时定位与地图构建）是一种技术，它使机器人能够构建未知环境的地图，同时使用来自相机的视觉数据跟踪自身在其中的位置。与依赖激光雷达或其他传感器的传统 SLAM 方法不同，视觉 SLAM 处理来自单目、立体或 RGB-D 相机的图像，以估计运动并重建周围环境。 这是通过识别和跟踪连续帧中的视觉特征（如边缘、角或纹理），然后使用几何算法实时推断机器人的运动和环境结构来实现的。
核心过程包括三个步骤：特征提取、姿态估计和地图构建。 首先，像 ORB（Oriented FAST and Rotated BRIEF）或 SIFT 这样的算法检测相机帧中不同的视觉特征。 这些特征在帧中被跟踪，以使用光流或捆绑调整等技术来估计机器人的运动（姿态）。 随着机器人的移动，系统会对这些特征的 3D 位置进行三角测量，以构建稀疏或密集的地图。 回环检测——识别之前访问过的位置——纠正累积的误差并改进地图。 例如，ORB-SLAM3 是一个广泛使用的开源框架，它结合了这些步骤来处理单目、立体和 RGB-D 输入，使其适用于不同的硬件设置。
在机器人技术中，视觉 SLAM 对于需要在非结构化环境中自主导航的任务至关重要。 例如，仓库中的送货机器人使用它来避开障碍物并规划路径，而无需预定义的地图。 像 DJI Phantom 这样的无人机采用视觉 SLAM，以便在没有 GPS 的室内实现稳定飞行和避免碰撞。 即使是像 iRobot 的 Roomba 这样的消费设备，也利用简化的版本来绘制房间地图并跟踪其位置。 仍然存在挑战，例如处理动态物体（如移动的人）或光线不足，但硬件（如用于 SLAM 的专用处理器）和算法（如用于过滤瞬态物体的语义分割）的进步不断提高鲁棒性。 对于开发人员来说，集成像 OpenCV 这样的库或像 RTAB-Map 这样的框架，为在自定义应用程序中实现视觉 SLAM 提供了一个实用的起点。