SLAM 算法横向对比与选型指南
1. 对比总览
| 系统 | 传感器 | 方法 | 回环 | 速度 | 精度 | 代码量 | 入门难度 |
|---|---|---|---|---|---|---|---|
| A-LOAM | LiDAR | 特征法+Ceres | 无 | 快(5ms) | ★★★ | ~2000行 | ★☆☆☆☆ |
| LeGO-LOAM | LiDAR | 特征法+地面 | ICP | 快(8ms) | ★★★ | ~3000行 | ★★☆☆☆ |
| Fast-LIO | LiDAR+IMU | IESKF+ikd-Tree | 无 | 极快(3ms) | ★★★★ | ~5000行 | ★★★★☆ |
| Fast-LIO2 | LiDAR+IMU | IESKF简化 | 无 | 极快(2ms) | ★★★★ | ~4500行 | ★★★☆☆ |
| LIO-SAM | LiDAR+IMU+GPS | 因子图+iSAM2 | Scan Context | 中(50ms) | ★★★★★ | ~8000行 | ★★★☆☆ |
| FAST-LIVO2 | LiDAR+Cam+IMU | IESKF统一 | 无 | 快(8ms) | ★★★★★ | ~7000行 | ★★★★★ |
| ORB-SLAM3 | Cam+IMU | 特征法+Atlas | DBoW2 | 中(30ms) | ★★★★★ | ~30000行 | ★★★★☆ |
| VINS-Mono | Cam+IMU | 滑动窗口+Ceres | DBoW2 | 快(15ms) | ★★★★ | ~15000行 | ★★★☆☆ |
| DSO | Cam | 稀疏直接法 | 无 | 中(50ms) | ★★★★ | ~12000行 | ★★★★☆ |
| Cartographer | LiDAR(2D/3D) | Submap+BBS | BBS | 中(20ms) | ★★★★ | ~15000行 | ★★★☆☆ |
| ORB-SLAM2 | Cam(S/RGB-D) | 特征法三线程 | DBoW2 | 快(20ms) | ★★★★ | ~18000行 | ★★★☆☆ |
| SVO | Cam | 半直接法 | 无 | 极快(4ms) | ★★★ | ~8000行 | ★★★☆☆ |
| LSD-SLAM | Cam | 半稠密直接法 | Sim(3) | 慢(200ms) | ★★★ | ~10000行 | ★★★★☆ |
| RTAB-Map | 任意 | BoW内存管理 | BoW | 中(30ms) | ★★★ | ~20000行 | ★★☆☆☆ |
精度评级为相对参考：★★★★★ = 在各自领域的SOTA精度；速度评级为单帧处理时间；入门难度反映理解该系统的数学和代码所需时间。
2. 按应用场景选型
无人机高速自主飞行
推荐：Fast-LIO2 或 FAST-LIVO2
关键需求：延迟 ≤ 5ms（高速飞行中不能丢帧）、对振动鲁棒（IMU 是关键）、短期无累积漂移（飞行通常 < 10 分钟）。Fast-LIO2 的 1-3ms 延迟和 IESKF 的 IMU 前向传播是最佳匹配。如果需要视觉辅助（对纹理退化场景），FAST-LIVO2 是升级版。
不推荐：LIO-SAM（延迟高，回环优化可能卡顿几十毫秒）、ORB-SLAM3（特征法在高速运动中模糊严重）。
自动驾驶建图
推荐：LIO-SAM + GPS因子
关键需求：全局一致性（需要回环消除 >100m 的漂移）、多传感器融合（LiDAR+IMU+GPS+轮式里程计）、大场景（公里级）。LIO-SAM 的因子图框架天然支持多传感器融合——每个传感器是一个因子类型。GPS 因子消除长期漂移，Scan Context 回环修正局部扭曲。
不推荐：Fast-LIO2（无回环，公里级漂移可达几十米）、Cartographer 3D模式（精度不够，分支定界在 3D 中慢）。
室内机器人（扫地机/仓储AGV）
推荐：Cartographer（2D模式）
关键需求：成本低（2D LiDAR ~$100）、可靠性（不能丢地图）、易于部署。Cartographer 的 2D 概率栅格 + BBS 回环是经过大量工业验证的方案，ROS 一键安装。
替代方案：如果预算极低（只有相机，~$10），可选 ORB-SLAM3 RGB-D 模式 + RealSense D435；如果已有 3D LiDAR（如 Mid-70），LIO-SAM 比 Cartographer 精度更高但成本也高。
AR/VR 头显
推荐：VINS-Mono 或 ORB-SLAM3（VI模式）
关键需求：低延迟（头部运动 < 20ms 延迟会致晕）、低成本（相机 + IMU ~$20）、支持快速运动。VINS-Mono 的滑动窗口优化（15ms/帧）和在线外参标定非常适合消费级硬件。ORB-SLAM3 的 Atlas 多地图在长期 AR 体验中更鲁棒（跟踪丢失后可以恢复）。
不推荐：LiDAR SLAM（头显上装 LiDAR 太重、太贵、太耗电）。
手持3D扫描仪
推荐：LIO-SAM 或 ORB-SLAM3 RGB-D
关键需求：高密度点云（供后期处理）、全局一致性（回环修正）、慢速精细操作。LIO-SAM 的 LiDAR 直接产出稠密点云，ORB-SLAM3 RGB-D 配合 RealSense L515 可产出 RGB-D 彩色点云。
微型无人机（<50g 有效载荷）
推荐：SVO 2.0
关键需求：极低计算（MCU 级别）、极低延迟。SVO 的 3-5ms 半直接法和无描述子设计是唯一能在 STM32 级别 MCU 上运行的视觉 SLAM。精度不高但在微型无人机的短距离飞行中可以接受。
3. 按学习目标选型
想理解 LiDAR SLAM 基础 → A-LOAM
- 2000 行代码覆盖了 LiDAR SLAM 全部核心概念
- 读完后，LeGO-LOAM（工程改进）、Fast-LIO（另一种数学框架）、LIO-SAM（完整系统）都能看懂
想理解视觉 SLAM 架构 → ORB-SLAM2
- 三线程架构是标准教材
- 读完后，ORB-SLAM3 的 Atlas 和 VI-SLAM 只是"加模块"
想理解滤波框架 → Fast-LIO
- IESKF 的完整推导是最好的教材
- 读完后，FAST-LIVO2（加视觉观测）、Fast-LIO2（简化版本）一目了然
想理解因子图优化 → LIO-SAM
- GTSAM iSAM2 的实际应用
- 读完后，可以理解任何基于因子图的 SLAM 系统
想理解视觉-惯性紧耦合 → VINS-Mono
- 滑动窗口 + IMU 预积分 + 边缘化的最佳学习材料
- 代码比 ORB-SLAM3 短一半，更容易读
想理解直接法 → DSO
- 从零实现的 Gauss-Newton 优化器是宝藏
- 读完后，"为什么 DSO 比 LSD-SLAM 好"一目了然
4. SLAM 系统的演进脉络
LiDAR SLAM谱系： LOAM (2014, 原创) ├── A-LOAM (2019, Ceres简化版) │ └── LeGO-LOAM (2018, 地面+回环) │ └── LIO-SAM (2020, 因子图+IMU+GPS) │ └── Fast-LIO (2021, IESKF新框架) ├── Fast-LIO2 (2022, 简化运动学) └── FAST-LIVO (2022) → FAST-LIVO2 (2024, +视觉) 视觉SLAM谱系： PTAM (2007, 双线程) └── ORB-SLAM (2015, 三线程) ├── ORB-SLAM2 (2017, 双目/RGB-D) └── ORB-SLAM3 (2020, VI + Atlas) 直接法谱系： DTAM (2011, 稠密直接法/GPGPU) └── LSD-SLAM (2014, 半稠密/CPU实时) └── DSO (2016, 稀疏+光度标定+滑动窗口) ├── LDSO (2018, +DBoW2回环) ├── D3VO (2020, +深度学习) └── DM-VIO (2022, +IMU) 半直接法： SVO (2014) → SVO 2.0 (2017) Google工业派： Cartographer (2016, 2D/3D)5. 常见问题
Q：为什么 Feature-based 和 Direct 方法各有各的好，不能合并吗？
半直接法（SVO、FAST-LIVO2）正在做这件事。但核心矛盾是：特征法假设"描述子匹配是完美的"→ 几何约束强但丢信息（90%的像素没用上）；直接法假设"光度恒定"→ 信息利用率高但容易因光照失效。两者在数学假设层面的矛盾需要工程技巧来调和（如 FAST-LIVO2 在 LiDAR 提供深度的基础上，视觉退化为直接法对齐——既不做描述子也不做光度优化，只做梯度方向的对齐）。
Q：什么时候该用滤波（IESKF），什么时候该用优化（因子图）？
经验法则：实时性要求 > 精度要求 → 滤波；全局一致性 > 实时性 → 因子图优化。滤波的 IESKF 在当前帧上做最优估计（快但"近视"），因子图优化在全部历史上做最优估计（慢但"远见"）。当里程计本身就足够好（如 Fast-LIO2 在 100m 内漂移 < 0.5m），加回环比加优化更重要——这就是为什么 Fast-LIO2 + 外部回环比单用 LIO-SAM 更受欢迎。
Q：是否有一个 SLAM 系统适合所有场景？
没有。每个 SLAM 系统都是在特定传感器组合、计算预算、场景假设下的最优解。FAST-LIVO2 是当前覆盖面最广的单系统（LiDAR+Cam+IMU，室内外通用），但它的计算量和传感器成本远超单一传感器的 SLAM 系统。选择 SLAM 系统的第一步不是比较算法，而是明确：你有什么传感器？你的计算平台是什么？你的场景是结构化的（室内走廊）还是非结构化的（树林）？这三个问题的答案会自然导向最适合的系统。
6. 推荐学习路径
第1天: A-LOAM → 了解LiDAR SLAM的基本链路 第2天: LeGO-LOAM → 了解"工程化改进"是如何叠加的 第3天: ORB-SLAM2 → 了解视觉SLAM的三线程架构 第4天: Fast-LIO → 了解滤波框架的数学（IESKF） 第5天: LIO-SAM → 了解因子图优化 + 多传感器融合 第6天: VINS-Mono → 了解视觉-惯性紧耦合 第7天: DSO → 了解直接法的全貌每天消化一个系统，一周可以建立完整的 SLAM 知识框架。这个顺序是按照从具体到抽象、从简单到复杂、从 LiDAR 到视觉排列的——每个后续系统都能在之前系统的概念基础上"装上去"。