锐英源精品原创，禁止全文或局部转载，禁止任何形式的非法使用，侵权必究。

Beyond SLAM：Visual SLAM和VPS的区别-摘自OpenCV直播采访Nikhil Sawlani

背景

本文是翻译文章，内容来自OpenCV邮件列表和采访活动，因为锐英源软件一直在从事精细特征识别，Visual SLAM和VPS是热门技术，翻译下文章。同时内容也列入了“语言之美英语爱好社群”，进行了英语学习价值的提高。

本次翻译收获：这几天刷视频看到用YOLO做现场图像识别有漏洞，会丢ID有误报，针对复杂的现场场景，用单一的技术框架来实现，困难重重，研究一个框架体系技术，才能解决问题。技术人员有广阔的视野和开拓的思维，才能更好进行技术选型。看看国内外最行流行技术，对术语和目的，对一些平台有研究，能对问题难度有更深认识，对选型哪些平台和技术会有更大把握。

演示图里对街道场景的抽象提取，上层是相机对VPS,中间是无人机对街道场景动态示意，如果想研究新技术表达，这个思路也有作用。

中文

日期/时间：2026年9月10日，星期四（太平洋时间上午9点）

嘉宾：Nikhil Sawlani（MultiSet AI 联合创始人兼CEO）

在下周的直播中，我们邀请Nikhil向开发者解释：视觉同时定位与建图（SLAM）地图与VPS地图有何不同，以及如何应对短期重定位和长期重定位等挑战。我们还将探讨机器可读地图与人类可读地图之间的差异，以及为什么两者必须共存，以支持在同一物理空间内发生的编排与协调任务。

 

视觉同时定位与建图（Visual SLAM，simultaneous localization and mapping）指的是这样一个问题：仅以图像作为唯一的外部信息来源，来确定机器人、车辆或运动相机在环境中的位置，同时构建对所探索区域的表示。SLAM是机器人实现自主性的核心任务。如今，当使用激光或声纳等测距传感器为小型静态环境构建二维地图时，SLAM问题被认为已经解决。然而，对于动态、复杂且大规模的环境，仅使用视觉作为唯一外部传感器的SLAM，仍是一个活跃的研究领域。视觉SLAM中所采用的计算机视觉技术，例如显著特征的检测、描述与匹配，图像识别与检索等，仍有改进空间。本文的目标是为视觉 SLAM领域的新研究者提供一份关于当前最新研究现状的简要且易于理解的综述。

 

1. 视觉SLAM地图 vs VPS地图

   • Visual SLAM：视觉同时定位与建图，偏重实时定位、建图、跟踪。

   • VPS：通常指视觉定位系统/服务，偏重基于已有地图进行全局定位。

   • 可能涉及：地图表示方式、定位精度、覆盖范围、维护成本、适用场景差异。

2. 短期与长期重定位

   • 短期重定位：跟踪短暂丢失、遮挡、快速移动后，如何迅速恢复定位。

   • 长期重定位：环境发生变化，如光照、家具、布局、季节变化后，如何仍能稳定重新定位。

   • 技术挑战：鲁棒性、地图更新、特征匹配、漂移处理、动态环境适应。

3. 机器可读地图 vs 人类可读地图

   • 机器可读地图：供算法/机器人使用，包含特征点、语义、坐标、拓扑、导航信息等。

   • 人类可读地图：供人理解与操作，如平面图、楼层、区域标注、设备/人员位置。

   • 差异：数据格式、抽象层级、使用目的、交互方式。

4. 两者为什么需要共存

   • 同一物理空间里，机器需要执行定位、导航、编排任务。

   • 人需要理解、调度、协调、监控。

   • 因此需要统一空间语义、坐标系和地图更新机制，支持人机协作与多系统编排。

5. 面向开发者的实践点

   • 地图格式与接口设计

   • 重定位策略

   • 地图更新与版本管理

   • 多设备/多机器人协同

   • 动态环境与隐私问题

   • 部署与规模化挑战

 

 

英文

Date/Time: Thursday, September 10th, 2026 (9am Pacific)

Guest: Nikhil Sawlani (Co-founder and CEO, MultiSet AI)

On next week's live stream we've invited Nikhil to explain to developers how Visual Simultaneous Localization and Mapping (SLAM) maps differ from VPS maps, and how to approach challenges such as short-term and long-term relocalization. We will also explore the differences between machine-readable and human-readable maps, and why both need to coexist to support orchestration and coordination tasks occurring within the same physical space.

 

Visual SLAM (simultaneous localization and mapping) refers to the problem of using images, as the only source of external information, in order to establish the position of a robot, a vehicle, or a moving camera in an environment, and at the same time, construct a representation of the explored zone. SLAM is an essential task for the autonomy of a robot. Nowadays, the problem of SLAM is considered solved when range sensors such as lasers or sonar are used to built 2D maps of small static environments. However SLAM for dynamic, complex and large scale environments, using vision as the sole external sensor, is an active area of research. The computer vision techniques employed in visual SLAM, such as detection, description and matching of salient features, image recognition and retrieval, among others, are still susceptible of improvement. The objective of this article is to provide new researchers in the field of visual SLAM a brief and comprehensible review of the state-of-the-art.