为什么说传统SLAM已死？

微信视频号：sph0RgSyDYV47z6

快手号：4874645212

抖音号：dy0so323fq2w

小红书号：95619019828

B站1：UID:3546863642871878

B站2：UID: 3546955410049087

自己的研究课题是SLAM，发现SLAM发论文很难，甚至在投稿时遇到了编辑回复：深度学习SLAM已经很厉害了，传统SLAM没有研究价值。但据我所知目前的深度学习SLAM在各项指标上还是比不过传统SLAM。另外虽然SLAM已有30多年的历史，但目前产业落地依然是难题。

有人说目前VLA，VLN的研究已经不需要建图了。但我虽然理解神经网络在给出目标后可以靠隐式表达地图规划路径，不过这种特性显然不能应用在大规模场景中，而且明显每换一个场景就需要训练，除非网络输出一个隐式表达地图然后靠这个地图定位（我见过这个方向的研究）。

建图定位才是统一的解决方案啊？为什么总是听说SLAM已死，找工作也不好找？（补充一点，我个人认为目前机器人要脱离遥控的方向就是SLAM+VLA，总之离不开建图，为啥岗位会减少呢？）

Immortalqx的回答

SLAM似乎处于一个比较尴尬的阶段。

在工业界，SLAM似乎“不被需要”了，自动驾驶的岗位需求减少了，而且SLAM的应用似乎更偏向于“标注”，而不再是导航定位了。一些具身智能的初创倒是招聘做SLAM的同学，不过不太清楚他们怎么用SLAM。

在学术界，近几年的SLAM大部分都是围绕NeRF、3DGS建图，或者围绕如何利用3D Foundation Model来展开的研究。个人觉得这些工作离落地就比较远了，这些方法都很难做到real-time，不太适合放到机器人上来用。

传统SLAM还是有很多没有解决的问题，举一个例子，内参随时间变化的时候怎么做SLAM，或者VIO？比如我用手机绕着一个物体拍视频，中间我觉得自己走远了，于是我进行了一下缩放，那么手机上跑的VIO怎么准确的估计pose呢？最近NeurIPS有篇工作《InFlux: A Benchmark for Self-Calibration of Dynamic Intrinsics of Video Cameras》，涉及到了这种手机拍视频变焦的情况。

再举一个例子，对于多目的SLAM，添加新的相机，应该是能给SLAM带来增益的，但是如果相机之间的相对位置一直在改变呢？比如人形机器人头顶一个相机、身体一个相机、手臂上还有相机，我们只用身体的相机做SLAM吗？还是尝试把所有相机都利用起来呢？不过这两个例子可能太极端了，已经涉及到SLAM长期依赖的一些假设了，比如我们提前标定好内外参数，那么跑SLAM的时候，内外参数应该是不变的，而对于多相机系统来说，相机应该是同步触发的。抛开这些涉及到基本假设的方向，我也想不出传统SLAM还有什么可以做的地方了，也许，引入一些新的传感器？

再看“VLA、VLN不需要建图”这个问题，很遗憾，我是做3DGS SLAM的，只对3dgs、视觉SLAM稍微有了解，今年我参加了空间智能论坛，有听到讲者说VLA泛化性的问题，大概意思是以前的工作都是一个网络解决VLA问题，但是他们尝试了用大网络+小网络来解决，大网络用来理解空间，小网络用来执行操作，而且面对新场景，他们只需要训练或者微调小网络，我不记得工作名字和具体的内容了，当时的印象大概是这么一回事。

那我就产生了一个很奇妙的想法，如果未来隐式表达的地图表示方法真的成为了主流，那会不会出现“黑哥哥们的语言是不互通”（bushi）的情况，比如单机已经能成功跑通了，甚至做到了实时的学习微调，那么如果两台机器各自“经历一些事情”之后，他们的embeddings表示有差异了怎么办？怎么来做多机协同？

很可惜我不太懂这个领域，我不确定会不会真的有这种情况，不过我感觉显示表示作为基础，结合一些隐式表示的方法，可能是近几年最佳的解决方案。毕竟，机器人最后还是要服务于人的，显示表示显然更有利于人看懂地图、下达指令、和机器人交互，而结合隐式表示，也许可以让机器人更好执行任务。

今年字节seed发布了一篇技术报告《Astra: Toward General-Purpose Mobile Robots via Hierarchical Multimodal Learning》，这篇工作的地图是显式的、结构化的，可以看看论文的“3.1.1 Offline Mapping”章节。我对这篇工作的看法是，这篇工作说明目前机器人的路线还是不确定的，没有说一定要显式或者隐式的地图才能XXXXXX，我们可以探索VLN，也可以探索如何显式的构建地图然后用multimodal LLM做导航，可以端到端也可以模块化。这件事情既然还不确定、还有争议，那它一定值得我们来探索和研究。

老码农的回答

我觉得传统slam并没有死，相反基于深度学习的也无法活的太久。

nerf虽然理论优美完美契合深度学习，但太慢，费卡，没法实用。

3dgs，官方几个demo竟然需要几百张照片，因为基于椭球染，空间中到处是可见椭球，最重要的很少有人真正做出demo的效果，这个花费我很多精力研究理论代码，最后只不过是个toy。

vggt，以及那些DepthAnything，能预测出一些深度图，但精度远远不够，就算做个简单的杯子也歪歪扭扭不成型。

混元，tripoai，前者投入不少钱，后者拿到不少钱，但他们都基于原始开源项目zero-123，一张图重建，号称革命游戏动画电影，实际精度远远不够，生成个中间残次品，不如建模师从头捏。

sam3d，最近facebook这个吹上天的单图重建，跟那个混元没有本质效果区别，但稍微好了些对实物精度依然不够。

深度学习变成无脑堆数据，在搜广推及11m中是可以的，但若要求建模精度在0.1mm，这些毫无理论的粗旷方法也是达不到的。

但在自动驾驶领域吧，那些端到端也是适合的，自动驾驶对数据精度要求没那么高，从人的驾驶行为中学习路径规划也是合理的、这是传统规则做不到的。

Ryan的回答

经过几日的总结，我自己发现了这个问题的原因。我自己来回答一下这个问题。先总结：技术落地难，企业挣不到钱。

SLAM分为传统SLAM和目前基于深度学习的SLAM。根据功能分又分为建图定位SLAM以及三维重建SLAM。要分析这个问题抓住了一条企业能不能用来挣钱。完全基于深度学习的SLAM就不必说了。例如MASt3R-SLAM， VGGT-long等，效果很惊艳，但目前仅在学术领域崭露头角，工程应用还需要探索。

而传统SLAM，用于实际应用有很多长尾问题需要解决，实际落地较难。这导致企业投入较大，产出较小。企业挣不到钱，自然工资不会很高。这造成了SLAM领域一个很奇怪的现象，明明学习SLAM既需要较好的编程经验，又需要学习相机模型，相机标定，惯导模型，BA优化，各种优化库，李群李代数等各种繁杂又有难度的知识，但其工资却比不过一个链式求导规则到处应用的深度学习。从而导致论坛帖子到处都是“SLAM狗都不学”的劝退之声。

这里我们会发现：技术不是难度越大，工资越高。我们需要看看能不能轻易变现。而三维重建SLAM由于仅需建好图，视觉效果好，就可以进行宣传与使用。不需要解决长尾问题，使得落地难度小，变现快，企业更喜欢。

刚说了落地难的问题，再说应用场景收窄的问题。前几年因为VR和自动驾驶的火爆，导致岗位增多，但最近因为VR领域变冷，自动驾驶又开始使用无图端到端技术。导致SLAM的用武之地进一步减少。目前使用较多的地方大多是移动机器人领域，例如扫地机器人，人形机器人，无人机，工厂的VGA等。这导致了工作岗位少，毕业学生多，供大于求的情况。

基于以上的情况，SLAM现在处于一个负反馈闭环环，有问题还没解决。导致企业变现难。导致研究投入少，导致有问题还没解决。

以我短浅的目光来看，目前要打破这个局面的一个可能是：具身智能的火爆引发资本发现要脱离遥控的基础技术是SLAM，从而加大投入。但目前来看也仅仅只有这一个需求应用。这个问题解决泡沫就会迅速褪去。不会像深度学习技术一样，在语音，视觉，自然语言处理，等多个领域扩展为众多子领域遍地开花。

总结一下就是，SLAM难入门，应用场景相对缩小，企业变现难，即使突然火起来，也不会持续太久，技术问题解决热度就会褪去。

Biang哥的回答

我说的不一定对，有不准确的还请大佬们提醒

我觉得slam的一个问题是相比较于曾经寄期望的领域比如自动驾驶，这个技术的效果回报率太低了：很多时候需要花费大量精力时间去解决小概率的corner case，虽然它们发生的概率较小但是一旦发生了可能就是不可承受的后果，再加上随着环境变化corner case是做不完的，你的策略总需要去照顾这些积累下来的问题，也就是投入不成比例的精力去做那些边角料（而且正常的运行条件都不一定能做明白）。

而slam导航的amr设备现在要求相对比较低，本身它的工况就是人机协作在一块场地，速度提不起来也就是2-4m/s以下，场景很容易做适配改造比如减少反光材质保证点云质量去掉噪点，最后难点不在导航而是设备本身的降本。可能不需要那么多人做很多的开发。

现在只能跟着robotics（如果amr不算机器人的话）要口饭吃。

daydayupzhang的回答

从学术上来讲，应该说是传统SLAM近期的新理论新发展比较少了，现有的库工程优化很强，能够形成创新点且容易实现的点变少了。相比而言，大模型、VLN等路线处于有一定前景但还不成熟的阶段，正适合学术探索。

从找工作上来讲，应该说是SLAM供大于求了，需要SLAM的岗位没有增加还减少了，但学SLAM的人还在增加，前些年SLAM火爆的时候入局的人数基数也比较大。

微信视频号：sph0RgSyDYV47z6

快手号：4874645212

抖音号：dy0so323fq2w