什麼是SLAM？　Physical AI的第一步，是知道自己在哪裡

上一篇談到自動化與自主性的差別，自動化把不確定性從環境裡移除，自主性需要系統在複雜環境中運作，兩者最大的差異，是自主機器人得走進沒有事先整理過的環境中完成工作，機器得知道自己在哪裡、周圍環境狀況，還要在執行任務的同時，安全、有效率地在場域中行動。

背後的關鍵技術，是SLAM（Simultaneous Localization and Mapping），機器要一邊定位，一邊把環境畫成地圖。

自駕產業是最早把高精地圖變成關鍵元件的產業之一。許多無人計程車進入一個新城市時，第一件事仍是先完成街道測繪，建立地區（高精）地圖後才開始營運。

地圖要多精細是一個成本問題。車輛定位，可以只保留道路曲率、車道線、路標、號誌或路緣等少數穩定特徵，讓車輛拿眼前看到的特徵與地圖對位；也可以更細緻地把車道線、路緣、號誌、與街景都定位到公分級。愈精細，定位愈準，維護成本也愈高。量產車開發實務中，圖的更新頻率是關鍵，而施工、標線重畫、號誌調整甚至車禍隨時在發生，地圖一舊反而會引發自駕導航風險。

另外是誰來更新。早期地圖靠專用測繪車（配備昂貴定位設備），一條路一條路測繪，巷弄密集更費時，更新頻率決定新鮮度，成本與涵蓋範圍、頻率成正比。後來導入分散式（crowd-sourcing）的做法，讓已經在路上跑的量產車順手做，行駛中回傳道路特徵，每台車每公里約幾KB，1年約幾百MB，後端把眾多車輛的訊息融合拼出道路結構。車愈多掃過，地圖品質愈好。

那機器人呢？如何定位，如何動態建圖，還有哪些全新應用？

問題是，要定位，得先有圖；要畫圖，又得先知道自己在哪裡（而且室內不能用衛星訊號定位）。兩件事互相依賴，像是雞生蛋、蛋生雞。SLAM針對這個問題，同時估算兩者，邊走邊修，這個概念1980年代後期提出，1990年代中期定名，到現在40年。

機器先從連續的畫面或點雲估算自己移動了多少，這一步的誤差會累積，走得愈遠偏得愈多。所以還要能認出「我回到剛才來過的地方」，一旦認出來，累積的偏差就能一次修正，再把沿路所有位置和觀測一起重新最佳化，讓前面累積的誤差重新分配；在視覺SLAM裡，常見的做法就是bundle adjustment。重新開機或搬移之後，機器還得在既有地圖裡重新定位。這幾件事分別叫做里程計（odometry）、迴路閉合（loop closure）與重定位（relocalization），要長時間、大範圍運作，通常得三者一起解決。

要多準，感測器的訊號也扮演關鍵角色。光達直接量到距離，幾何結構最明確，定位通常也較容易；相機便宜且資訊豐富，但深度需要額外估計。深度相機每個畫素都有距離，有效範圍卻多半在幾公尺內，室外也容易受光線干擾。實際的系統幾乎都是混用，再補上輪速。

高度是另一個長期被忽略的問題。早期室內SLAM常見的做法，是把環境簡化成一張二維地圖，只記錄同一個平面上有沒有障礙物，當成整個空間能不能走的依據，對輪式機器人夠用，因為它只在同一個樓層的地面上移動。當機器人的移動自由度開展，上坡、跨門檻、爬樓梯、完成抓取任務之後，這個假設就不管用了，能不能踩、碰撞，都得從立體結構判斷。地圖因此得從二維變成3D，感測器與運算也跟著加重，避障也得算進高度，畢竟真實環境不是乾淨、規整的，桌面上有杯子，地上散落著鞋子。

更大的變化是地圖的表示方式正在改變。傳統SLAM多半記錄稀疏特徵或幾何結構，神經輻射場（NeRF）與3D Gaussian Splatting（3DGS）等新的場景表示方法，則讓機器開始保存更完整的3D外觀與空間資訊；與SLAM結合後，一般相機也能在移動過程中逐步建立細緻的3D場景。我們在2023年就用單眼相機做過這件事，而且不必為每個場景預先訓練。

新一代SLAM紀錄下的，不再只是2D照片或沒有空間結構的視訊，而是數位化的3D環境。密集的3D圖有很多非常有潛力的運用，特別是加上推理能力，但這些運算多半得放在機器人身上完成，邊緣端的算力與儲存還是限制，例如工地或產線的進度比對、資產盤點與異常偵測、生成訓練資料，或是產生數位分身。因此，Physical AI時代重新看SLAM，重點已經不只是「怎麼把圖畫準」，而是「怎麼把真實世界變成AI可以持續讀取、更新與推理的空間記憶」，這是下一篇要談的重點。

圖建好了，然後呢？傳統SLAM的任務到這裡差不多就完成，地圖交給路徑規劃，機器人照著走。對Physical AI來說，這才是開始。導航、記憶，以及推理等各種自主效能力，都要從這張圖長出來。