在人形机器人与具身智能的时代下，SLAM是否被淘汰了呢？

在VLN引领下一代导航新纪元的态势已成行业共识的当下，以SLAM为基础的3D导航范式在技术应用端的是否还具备更广阔的想象空间？

近日，格灵深瞳研究院结合落地经验给出了答案：以SLAM为基础的3D导航依然是行业实现落地的核心方案。其指出，当前SLAM主要支持人形机器人在业务场景前期落地，同时也在逐步下沉为具身大模型基础设施，作为局部导航的里程计以及闭环场景的训练参考数据，以支撑未来具身大模型在各个场景真正落地。

这也在现实世界得到印证：在自主进行马拉松比赛时，人形机器人需要基于SLAM的自主导航方案作为“智慧双眼”；在春晚舞台成为顶流的宇树机器人通过SLAM技术进行3D导航，大展舞技；在特斯拉工厂，Optimus也同样借助视觉SLAM的方案进厂打工。

导言

格灵深瞳发布了面向人形机器人的开源3D定位算法— FAST_LIO_LOCALIZATION_HUMANOID，该方案针对宇树、天工、乐聚等人形机器人厂商的在头部向下或者胸口向前的雷达排布做了适配，可支持ROS原生的定位初始化，并具备商业级定位表现。该算法方案还可以以2cm 的定位精度支持连续10个小时的长时间定位，同时支持未建图区域的持续定位。

GitHub 仓库: https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID

针对人形机器人的雷达驱动

人形机器人多采用头部向下的 Livox MID360雷达来感知地面和机械臂的操作空间。现有的学术界方案中兼容Livo最好的 Fast-LIO 系列算法都以 IMU 作为原始坐标系，这种雷达排布会导致地图坐标系与现实坐标系出现偏差。所以格灵深瞳的开源方案在雷达驱动中同时修正雷达点云与IMU数据，兼容了头部朝下以及胸口朝前的雷达安装方式，提高了建图与定位质量。

持续精准的3D定位系统

FAST_LIO_LOCALIZATION_HUMANOID 使用实时局部子图与历史地图配准技术对激光惯性里程计进行修正，可以支持动态和未建图场景的持续定位。为了得到更准、更快、更稳定的定位结果，我们在 FAST-LIO-LOCALIZATION 基础上，还针对原算法的一些问题做了算法与工程优化：

• 在初始化阶段引入多尺度点云配准，提升了算法对环境适应性和对初始定位的鲁棒性；

• 引入了卡尔曼滤波解决全局定位与局部定位融合不稳定的问题；

• 使用多帧点云拼接而成的子图而不是实时的点云进行全局定位局部配准；

• 使用C++重新开发定位系统，优化了定位计算效率；

• 优化激光惯性里程计，解决了堆积处理雷达数据导致的堵塞延时问题；

实验结果显示，改良后的定位模块可以针对局部地图变化和未知地图的情况稳定不丢失，定位精度在2cm以内，整体定位延时在30ms以下，并同时支持在大场景持续10个小时定位稳定不丢失。

To be continued

值得指出的是，当前的仓库仅支持千平方量级的小场景建图，格灵深瞳还将推出支持数十万平场景的建图的开源方案。该方案包含自动回环、手动回环以及地图墙面与地面对齐的工具。

据格灵深瞳研究人员表示，公司还将逐步开源面向人形机器人的3D导航工具集，涵盖点云的拼接、点云地图的转换、适配ROS Navigation的全局路径与局部路径规划算法（比如ego-planner与foot-step-planner）。该计划将进一步助力开发者完善构建人形机器人自主导航系统。