SLAM
机器人和自动驾驶领域的核心技术，要求设备在未知环境中同时完成自身定位与周围环境地图构建，视觉SLAM依赖相机作为主要传感器
核心事实
时间轴 (近 90 天)
感知与算法开发（计算机视觉、SLAM、抓取位姿估计）已深度依赖深度学习，工程师日常从手写特征转向调模型和数据，对纯算法实现岗位的需求结构正在变化。
SLAM是移动机器人自主导航的核心技术，机器人通过激光雷达、相机、IMU等传感器估计自身位姿并增量式构建环境地图。
SLAM 中定位误差与地图误差会相互耦合，形成累积漂移，真实环境中的光照变化、动态障碍物、纹理缺失会加剧这一问题。
衡量 SLAM 系统不仅要看单次建图精度，更要看闭环检测是否及时、长时间运行后漂移能否被校正。
SLAM（同步定位与建图）包含定位和建图两个相互依赖的任务，严格意义上的 SLAM 需要里程计或 IMU 提供位姿变化才能将多次扫描对齐到同一坐标系。
在专业机器人领域，SLAM 几乎与激光雷达绑定。
该项目主要完成了建图部分，假设机器人位置已知或固定，因此更准确地说是建图而非完整 SLAM。
基于失败预测的下游系统可以在不信任的图像对上选择弃权（abstain），适用于SLAM和三维重建流水线。
辅助推杆等 AR 眼镜场景依赖即时定位与地图构建（SLAM）与眼动追踪来判断用户视线方向，从而把虚拟指引稳定地钉在真实环境中。
AVALON 用先验的、语义化的稀疏结构（人类播种的拓扑记忆）替代后验的、几何化的稠密地图（机器人自建 SLAM），代价是失去连续度量地图带来的精确局部规划能力，收益是零样本部署和更快的任务启动。
还有 15 条时间轴事件
全部知识事实 (20)
SLAM（同步定位与地图构建）技术广泛应用于扫地机器人等移动设备，能让设备在未知环境中实时建图并精确定位
75%已验证SLAM（即时定位与地图构建）最初由机器人学领域发展而来，解决设备在未知环境中同时完成自身定位与环境地图构建的难题
65%待验证商业级SLAM系统通常需要满足定位精度厘米级别、重定位成功率90%以上、在中低端移动设备上保持30fps以上实时帧率
75%待验证感知与算法开发（计算机视觉、SLAM、抓取位姿估计）已深度依赖深度学习，工程师日常从手写特征转向调模型和数据，对纯算法实现岗位的需求结构正在变化。
50%待验证SLAM是移动机器人自主导航的核心技术，机器人通过激光雷达、相机、IMU等传感器估计自身位姿并增量式构建环境地图。
50%待验证衡量 SLAM 系统不仅要看单次建图精度，更要看闭环检测是否及时、长时间运行后漂移能否被校正。
50%待验证SLAM 中定位误差与地图误差会相互耦合，形成累积漂移，真实环境中的光照变化、动态障碍物、纹理缺失会加剧这一问题。
50%待验证在专业机器人领域，SLAM 几乎与激光雷达绑定。
50%待验证SLAM（同步定位与建图）包含定位和建图两个相互依赖的任务，严格意义上的 SLAM 需要里程计或 IMU 提供位姿变化才能将多次扫描对齐到同一坐标系。
50%待验证该项目主要完成了建图部分，假设机器人位置已知或固定，因此更准确地说是建图而非完整 SLAM。
50%待验证基于失败预测的下游系统可以在不信任的图像对上选择弃权（abstain），适用于SLAM和三维重建流水线。
50%待验证辅助推杆等 AR 眼镜场景依赖即时定位与地图构建（SLAM）与眼动追踪来判断用户视线方向，从而把虚拟指引稳定地钉在真实环境中。
50%待验证AVALON 用先验的、语义化的稀疏结构（人类播种的拓扑记忆）替代后验的、几何化的稠密地图（机器人自建 SLAM），代价是失去连续度量地图带来的精确局部规划能力，收益是零样本部署和更快的任务启动。
50%待验证洞穴测绘主流方法为罗盘-倾角仪-测距仪三联测量，现代团队使用激光雷达和SLAM技术可达厘米级精度。
50%待验证多数新视角合成方法假设相机内外参已知，位姿由SfM或SLAM预先求得；而CoTL直接以无位姿多视角图像为输入，需要隐式推断或吸收视角间的几何关系。
50%待验证SLAM是让设备在未知环境中一边估计自身位姿、一边构建地图的技术，是激光扫描与移动测量获取高精度点云的基础。
50%待验证SLAM系统在长时序行走中累积的定位漂移会使远处目标的坐标预测进一步偏移，形成误差叠加效应
50%待验证传统SLAM（如ORB-SLAM）依赖手工特征点匹配，深度学习兴起后出现了将深度估计与位姿优化联合训练的端到端方案
50%待验证相机位姿估计通常依赖视觉里程计（Visual Odometry）或SLAM（即时定位与地图构建）技术
50%待验证多人共享AR空间依赖空间锚点（Spatial Anchor）机制，通过SLAM算法在多台设备间建立统一坐标系
50%